
# Importación de librerías necesarias
import os
import sys
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import scipy.stats as stats
from scipy.stats import chi2_contingency
import statsmodels.api as sm
from statsmodels.formula.api import ols
import warnings

# Configuraciones iniciales
warnings.filterwarnings('ignore', category=FutureWarning)
pd.set_option('display.max_rows', None) # Configurar Pandas para mostrar todas las filas
pd.set_option('display.max_columns', None) # Configurar Pandas para mostrar todas las columnas

# Añadir directorios superiores para importaciones
sys.path.append('..')

# Importación de utilidades personalizadas
from src.utils.utils import *
from src.utils.preprocess import *


df = pd.read_excel('../data/raw/BBDD_gen.xlsx')
print("Dimensiones del DataFrame:", df.shape)
print("\nPrimeras filas del DataFrame:")
df.head()

Dimensiones del DataFrame: (898, 329)

Primeras filas del DataFrame:


# print("Nombres de columnas:", df.columns.tolist())


# Establecer la primera fila como el nuevo encabezado
new_header = df.iloc[0]   # La primera fila será el encabezado
df = df[1:]               # Seleccionar los datos a partir de la segunda fila
df.columns = new_header   # Establecer los nuevos nombres de columnas
df.reset_index(drop=True, inplace=True)  # Restablecer el índice del DataFrame

df.head()


#df.dtypes # Observamos que todas las columnas son de tipo object


df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 897 entries, 0 to 896
Columns: 329 entries, Codigo to entrega y revisiones
dtypes: object(329)
memory usage: 2.3+ MB


#df.isnull().sum()


missing_values = df.isna().sum()
more_than_800 = missing_values[missing_values > 800]
between_600_and_800 = missing_values[(missing_values > 600) & (missing_values <= 800)]
between_400_and_600 = missing_values[(missing_values > 400) & (missing_values <= 600)]
between_200_and_400 = missing_values[(missing_values > 200) & (missing_values <= 400)]
between_100_and_200 = missing_values[(missing_values > 100) & (missing_values <= 200)]
less_than_100 = missing_values[missing_values < 100]


print("Columnas con más de 800 valores faltantes:", more_than_800.index.tolist())

Columnas con más de 800 valores faltantes: ['Motivo de consulta', 'Enfermedades Sistemicas 2', 'Dagnóstico 2', 'Fecha IQ', 'Resultado IQ', 'Alcohol', 'Especialidad', 'Rot Ext Cadera Izquierda', 'Rot Ext Cadera Derecha', 'Rot Int Cadera Derecha', 'Rot Int Cadera Izquierda', 'Dismetría', 'POPLITEO CL Neutra', 'Valgo-Varo_I', 'Pelvis AV', 'Rot_Pelvis_Izda', 'EIAS_Down_Izda', 'Hiperlordosis cervical', 'Hipercifosis torácica', 'Hiperlordosis lumbar', 'Antepulsión torax', 'Antepulsión pelvis', 'Retropulsion Pelvis', 'Rectificación lumbar', 'Retropulsion Torax', 'Dorso plano', 'Rectificación Cervical', 'GAZE Elevada', 'GAZE Disminuida', 'Retrognatismo', 'Prognatismo', 'Inclinación izquierda cabeza', 'Escoliosis Cervical Izquierda', 'Escoliosis Cervical Derecha', 'Escoliosis Dorsal Derecha', 'Escoliosis Dorsal Izquierda', 'Escoliosis Lumbar Izquierda', 'Escoliosis Lumbar Derecha', 'Escoliosis Rotación toracica derecha', 'Escoliosis Rotación toracica izquierda', 'Rotación izquierda cabeza', 'Rotación derecha cabeza', 'Rotación derecha torax', 'Rotación izquierda torax', 'Antepulsion Cabeza', 'Inclinación derecha cabeza', 'Lateropulsión cabeza derecha', 'Lateropulsión cabeza izquierda', 'Lateropulsión torax izquierda', 'Lateropulsión pelvis  derecha', 'Lateropulsión pelvis  izquierda', 'EIPS_Down_Izda', 'EIPS_Down_Dcha', 'EIAS_Down_Dcha', 'Lateropulsión torax derecha', 'Descenso hombro izquierdo', 'Elevación Hombro Izquierdo', 'Elevación hombro derecho', 'Descenso hombro derecho', 'Retropulsión Cabeza', 'Impresión Diagnóstica de función', 'Pruebas complementarias', 'Escaneo 25%', 'Escaneo 50%', 'Escaneo 75%', 'Escaneo 100%', 'TPU', 'TPU Run', 'PA12 Anterocapital', 'PA12 Retro', 'Pelvis Rot Dcha', 'Videoconferencia con informe', 'Telemetría', 'Solo informe', 'entrega y revisiones']


print("Columnas entre 600-800 valores faltantes:", between_600_and_800.index.tolist())

Columnas entre 600-800 valores faltantes: ['Enf Sistemicas 1', 'Tabaco', 'Medicación', 'Fármacos', 'Alergias', 'Alergenos', 'Actividad principal', 'Marca 10K', 'km/sem', 'Calzado 1', 'Calzado 2', ' Elevation Gain', ' Medio Lateral Gs2', 'Iliaco Izquierdo AV', 'Iliaco Izquierdo RV', 'Iliaco Dcho AV', 'Iliaco Dcho RV', 'EIAS_Up_Izda', 'EIAS_Up_Dcha', 'EIPS_Up_I', 'EIPS_Up_Dcha', 'Calzado', 'Escaneo 0%', 'Elementos en taller', 'Fisioterapia y ejercicios', 'Llamar cuando lleguen plantillas', 'Elementos en Diseño']


print("Columnas entre 400-600 valores faltantes:", between_400_and_600.index.tolist())

Columnas entre 400-600 valores faltantes: ['IQ', ' Pace', 'Velocidad', ' Step Rate', ' Stride Length', ' Contact Time', ' Flight Ratio', ' Power', ' Shock', ' Impact Gs', ' Braking Gs', ' Footstrike Type', ' Pronation Excursion', ' Max Pronation Velocity', ' Peak Vertical GRF', ' Contact Ratio', ' Flight Time', ' Stride Angle', ' Leg Spring Stiffness', ' Vertical Spring Stiffness', ' Vertical GRF Rate', ' Horizontal GRF Rate', ' Swing Force Rate', ' VO<sub>2</sub>', ' Total Force Rate', ' Time (Max Swing->FS)', ' Time (FS->MPV)', ' Time (MPV->MP)', ' Time (MP->TO)', ' Time (Min Swing->Max Swing)', ' Time (TO->Min Swing)', ' Medio Lateral Gs', ' Braking Gs (Amplitude)', ' Impact Gs (Amplitude)', ' Vertical Speed', ' Yaw Excursion', ' Swing Excursion', ' Yaw Excursion (MP->TO)', ' Yaw Excursion (Swing)', ' Max Stance Velocity (FS->MP)', ' Max Stance Velocity (MP->TO)', ' Step Length', ' Pronation Excursion (MP->TO)', ' Stance Excursion (FS->MP)', ' Stance Excursion (MP->TO)', ' Min Tilt', ' Max Tilt', ' Min Obliquity', ' Max Obliquity', ' Min Rotation', ' Max Rotation', ' Max Tilt Rate', ' Max Obliquity Rate', ' Max Rotation Rate', ' Vertical Oscillation', ' Braking Gs2', ' Impact Gs2', 'Iliaco Izquierdo Normal', 'Iliaco Dcho Normal', 'Lunge Izq', 'Lunge Dcho']


print("Columnas entre 200-400 valores faltantes:", between_200_and_400.index.tolist())

Columnas entre 200-400 valores faltantes: [' Min Tilt', ' Max Tilt', ' Min Obliquity', ' Max Obliquity', ' Min Rotation', ' Max Rotation', ' Max Tilt Rate', ' Max Obliquity Rate', ' Max Rotation Rate', ' Vertical Oscillation', ' Medio Lateral Gs2']


print("Columnas entre 100-200 valores faltantes:", between_100_and_200.index.tolist())

Columnas entre 100-200 valores faltantes: ['Diagnóstico 1', ' Pace', 'Velocidad', ' Step Rate', ' Stride Length', ' Contact Time', ' Flight Ratio', ' Power', ' Shock', ' Impact Gs', ' Braking Gs', ' Footstrike Type', ' Pronation Excursion', ' Max Pronation Velocity', ' Peak Vertical GRF', ' Contact Ratio', ' Flight Time', ' Stride Angle', ' Leg Spring Stiffness', ' Vertical Spring Stiffness', ' Vertical GRF Rate', ' Horizontal GRF Rate', ' Swing Force Rate', ' VO<sub>2</sub>', ' Total Force Rate', ' Time (Max Swing->FS)', ' Time (FS->MPV)', ' Time (MPV->MP)', ' Time (MP->TO)', ' Time (Min Swing->Max Swing)', ' Time (TO->Min Swing)', ' Medio Lateral Gs', ' Braking Gs (Amplitude)', ' Impact Gs (Amplitude)', ' Vertical Speed', ' Elevation Gain', ' Yaw Excursion', ' Swing Excursion', ' Yaw Excursion (MP->TO)', ' Yaw Excursion (Swing)', ' Max Stance Velocity (FS->MP)', ' Max Stance Velocity (MP->TO)', ' Step Length', ' Pronation Excursion (MP->TO)', ' Stance Excursion (FS->MP)', ' Stance Excursion (MP->TO)', ' Braking Gs2', ' Impact Gs2']


print("Columnas con menos de 100 valores faltantes:", less_than_100.index.tolist())

Columnas con menos de 100 valores faltantes: ['Codigo', 'Sujeto', 'Fecha Nacimiento', 'Fecha de exploración', 'Edad', 'Sexo', 'Altura', 'Peso', 'Nº de calzado', 'NºPatologia', 'Articulación', 'Localizacion', 'Lado', 'Patologia', 'Sintomas narrados', 'M1 Hipermovil', 'TF Normal', 'TT Normal', 'AP Adducto', 'Thomas Psoas', 'Thomas RF', 'Thomas TFL', 'Ober', 'AP_Varo', 'AP_Neutro', 'AP_Valgo', 'RP_Varo', 'RP_Neutro', 'RP_Valgo', 'Arco normal', 'Arco Aplanado', 'Arco elevado', 'PIe cavo posterior', 'PIe cavo anterior', 'M1 DFx', 'M5 Hipermovil', 'M5 Dfx', 'Arco transverso disminuido', 'M1 PFx', 'Cavo Col medial', 'M5 PFx', 'Cavo col Lateral', 'Arco transverso aumentado', 'MTF1 Normal', 'HLF', 'HL', 'HR', 'HAV', 'Index Minus', 'Index plus-minus', 'Index Plus', 'Col lat corta', 'Col lat larga', 'Pie griego', 'Pie cuadrado', 'Pie egipcio', 'TFI', 'TFE', 'TTI', 'TTE', 'AP Normal ABD-AD', 'AP Abducto', 'Pierna Corta', 'Ober Friccion', 'Popliteo', 'PNCA AP Varo', 'PNCA AP Neutro', 'PNCA AP Valgo', 'PNCA RP Varo', 'PNCA RP Neutro', 'PNCA RP Valgo', 'T_Hintermann', 'Jack Normal', 'Jack R aumentada', 'Jack No reconstruye', 'Jack R disminuida', 'Pron max Normal', 'Pronación no disponible', '2Heel Raise', 'Heel Raise', 'FPI_1_I', 'FPI_1_D', 'FPI_2_I', 'FPI_2_D', 'FPI_3_I', 'FPI_3_D', 'FPI_4_I', 'FPI_4_D', 'FPI_5_I', 'FPI_5_D', 'FPI_6_I', 'FPI_6_D', 'FPI_Total_I', 'FPI_Total_D', 'Tibia vara proximal', 'Tibia Vara distal', 'Rotula divergente', 'Rotula descendida', 'Rotula convergente', 'Rotula ascencida', 'Genu valgo', 'Genu normal', 'Genu varo', 'Genu recurvatum', 'Genu neutro', 'Genu flexum', 'Lunge']


df.duplicated().sum()

0


# Añadir sufijos "_walk" a las columnas del grupo 4
df.columns.values[35:93] = [str(col) + '_walk' for col in df.columns[35:93]]

# Añadir sufijos "_run" a las columnas del grupo 5
df.columns.values[93:151] = [str(col) + '_run' for col in df.columns[93:151]]


df.head()


perfil_df = df.iloc[:, 0:10].copy()           # Grupo 1: Datos demográficos y de perfil
patologia_df = df.iloc[:, 10:15].copy()       # Grupo 2: Patología
ib_resport_df = df.iloc[:, 15:35].copy()      # Grupo 3: IB_Resport
runscribe_walk_df = df.iloc[:, 35:93].copy()  # Grupo 4: Runscribe_walk
runscribe_run_df = df.iloc[:, 93:151].copy()  # Grupo 5: Runscribe_run
ib_resport2_df = df.iloc[:, 151:].copy()      # Grupo 6: IB_Resport 2


results = {
    'Perfil': missing_data_analysis(perfil_df),
    'Patologia': missing_data_analysis(patologia_df),
    'IB_Resport': missing_data_analysis(ib_resport_df),
    'Runscribe_walk': missing_data_analysis(runscribe_walk_df),
    'Runscribe_run': missing_data_analysis(runscribe_run_df),
    'IB_Resport2': missing_data_analysis(ib_resport2_df)
}

for group, result in results.items():
    print(f"Resultados para {group}:")
    print(result, "\n")

Resultados para Perfil:
0      7
9      1
17     1
897    1
Name: count, dtype: int64 

Resultados para Patologia:
0     4
25    1
Name: count, dtype: int64 

Resultados para IB_Resport:
658    1
894    1
635    1
768    1
825    1
770    1
687    1
723    1
735    1
644    1
666    1
849    1
793    1
888    1
873    1
562    1
895    1
189    1
39     1
695    1
Name: count, dtype: int64 

Resultados para Runscribe_walk:
142    40
245    10
148     4
143     2
179     1
361     1
Name: count, dtype: int64 

Resultados para Runscribe_run:
534    35
596    10
535     9
538     2
608     1
670     1
Name: count, dtype: int64 

Resultados para IB_Resport2:
35     88
897     8
889     7
896     6
891     5
36      4
870     3
878     2
893     2
864     2
882     2
894     2
883     2
874     2
679     1
881     1
846     1
886     1
808     1
839     1
763     1
739     1
855     1
817     1
812     1
885     1
835     1
728     1
788     1
752     1
599     1
596     1
821     1
832     1
888     1
884     1
790     1
773     1
685     1
760     1
838     1
875     1
672     1
819     1
869     1
867     1
865     1
785     1
890     1
871     1
457     1
450     1
844     1
829     1
860     1
759     1
770     1
Name: count, dtype: int64


perfil_df.describe()


patologia_df.describe()


ib_resport_df.describe()


runscribe_walk_df.describe()


runscribe_run_df.describe()


ib_resport2_df.describe()


perfil_df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 897 entries, 0 to 896
Data columns (total 10 columns):
 #   Column                Non-Null Count  Dtype 
---  ------                --------------  ----- 
 0   Codigo                897 non-null    object
 1   Sujeto                897 non-null    object
 2   Fecha Nacimiento      888 non-null    object
 3   Fecha de exploración  897 non-null    object
 4   Edad                  880 non-null    object
 5   Sexo                  897 non-null    object
 6   Altura                897 non-null    object
 7   Peso                  897 non-null    object
 8   Nº de calzado         897 non-null    object
 9   Motivo de consulta    0 non-null      object
dtypes: object(10)
memory usage: 70.2+ KB


perfil_df.isna().sum()

0
Codigo                    0
Sujeto                    0
Fecha Nacimiento          9
Fecha de exploración      0
Edad                     17
Sexo                      0
Altura                    0
Peso                      0
Nº de calzado             0
Motivo de consulta      897
dtype: int64


missing_percentage = calculate_missing_percentage(perfil_df, perfil_df.columns, visualize=True, figsize=(12,6))

Porcentaje de datos faltantes por columna:
Motivo de consulta: 100.00%
Edad: 1.90%
Fecha Nacimiento: 1.00%


perfil_df.head()


# Convertir las columnas de fecha
df['Fecha Nacimiento'] = pd.to_datetime(df['Fecha Nacimiento'], errors='coerce')
df['Fecha de exploración'] = pd.to_datetime(df['Fecha de exploración'], errors='coerce')

# Convertir las columnas numéricas
df['Sujeto'] = pd.to_numeric(df['Sujeto'], errors='coerce').astype('Int64')
df['Edad'] = pd.to_numeric(df['Edad'], errors='coerce').astype('Int64')
df['Altura'] = pd.to_numeric(df['Altura'], errors='coerce')
df['Peso'] = pd.to_numeric(df['Peso'], errors='coerce')
df['Nº de calzado'] = pd.to_numeric(df['Nº de calzado'], errors='coerce')

print(df[perfil_df.columns].dtypes) # Verificar los cambios

0
Codigo                          object
Sujeto                           Int64
Fecha Nacimiento        datetime64[ns]
Fecha de exploración    datetime64[ns]
Edad                             Int64
Sexo                            object
Altura                         float64
Peso                           float64
Nº de calzado                  float64
Motivo de consulta              object
dtype: object


plot_boxplot(df[['Edad','Altura','Peso','Nº de calzado']])


df, outliers_peso = calculate_zscore(df, 'Peso')
print(outliers_peso[['Edad', 'Sexo', 'Altura', 'Peso', 'Nº de calzado']])

0    Edad Sexo  Altura   Peso  Nº de calzado
90     38    M   190.0  118.0           48.9
364    55    M   185.0  135.0           49.0
466     3    M   110.0   17.0           28.0
475     4    M   110.0   18.0           29.0
524     6    M   110.0   21.0           31.0
536     5    M   104.0   15.0           27.0
554     5    F   105.0   17.0           25.0
590     5    M   112.0   16.0           30.0
592     5    F   110.0   15.0           29.0
785     7    M   120.0   20.0           31.0
800    29    M   188.0  120.0           44.5
816    43    M   180.0  135.0           43.0
896     4    M   115.0   18.0           29.0


df, outliers_peso = calculate_zscore(df, 'Altura')
print(outliers_peso[['Edad', 'Sexo', 'Altura', 'Peso', 'Nº de calzado']])

0    Edad Sexo  Altura  Peso  Nº de calzado
447     9    F   128.0  25.0           34.0
451     7    F   131.0  25.0           31.0
466     3    M   110.0  17.0           28.0
474     6    M   121.0  25.0           31.0
475     4    M   110.0  18.0           29.0
524     6    M   110.0  21.0           31.0
536     5    M   104.0  15.0           27.0
554     5    F   105.0  17.0           25.0
568     6    M   125.0  22.0           31.0
574     9    M   132.0  32.0           34.0
590     5    M   112.0  16.0           30.0
592     5    F   110.0  15.0           29.0
785     7    M   120.0  20.0           31.0
805     8    M   125.0  27.0           34.0
824     8    F   130.0  23.0           33.0
838     8    M   125.0  26.0           33.0
848     9    M   131.0  30.0           33.0
885     7    M   128.0  25.0           33.0
896     4    M   115.0  18.0           29.0


print(f"Total registros: {len(perfil_df)}")
print(f"Códigos únicos: {df['Codigo'].nunique()}")
print(f"Nº Sujetos únicos: {df['Sujeto'].nunique()}")

Total registros: 897
Códigos únicos: 730
Nº Sujetos únicos: 479


# Contar cuántas veces aparece cada código en el dataset
codigo_counts = df['Codigo'].value_counts()

# Crear un DataFrame a partir del conteo de frecuencias
frec_df = pd.DataFrame(codigo_counts).reset_index()
frec_df.columns = ['Codigo', 'Frecuencia']

# Contar cuántos códigos aparecen 1, 2, 3, o más de 3 veces
print(f"Códigos que aparecen 1 vez: {frec_df[frec_df['Frecuencia'] == 1].shape[0]}")
print(f"Códigos que aparecen 2 veces: {frec_df[frec_df['Frecuencia'] == 2].shape[0]}")
print(f"Códigos que aparecen 3 veces: {frec_df[frec_df['Frecuencia'] == 3].shape[0]}")
print(f"Códigos que aparecen más de 3 veces: {frec_df[frec_df['Frecuencia'] > 3].shape[0]}")

Códigos que aparecen 1 vez: 604
Códigos que aparecen 2 veces: 91
Códigos que aparecen 3 veces: 29
Códigos que aparecen más de 3 veces: 6


# Filtrar los códigos que aparecen más de una vez
codigo_repetido = df['Codigo'].value_counts()
codigo_repetido = codigo_repetido[codigo_repetido > 1].index

# Extraer registros con códigos repetidos
registros_repetidos = df[df['Codigo'].isin(codigo_repetido)]
registros_ordenados = registros_repetidos.sort_values(by=['Codigo', 'Fecha de exploración'])
print(registros_ordenados[['Codigo','Fecha de exploración','Articulación']].head(10))

0       Codigo Fecha de exploración Articulación
431  00048JMRC  2020-09-09 12:37:00       Lumbar
432  00048JMRC  2020-09-09 12:37:00      Pierna 
433  00048JMRC  2020-09-09 12:37:00          Pie
443   00058MPR  2020-10-02 17:43:00          Pie
444   00058MPR  2020-10-02 17:43:00      Pierna 
539   00154DBC  2021-05-26 00:00:00      Pierna 
540   00154DBC  2021-05-26 00:00:00          Pie
545   00159MLS  2021-06-02 20:36:00      Tobillo
546   00159MLS  2021-06-02 20:36:00      Pierna 
548   00161LGS  2021-06-09 13:11:00          Pie


missing_ages = df[df['Edad'].isnull()]
missing_ages_info = missing_ages[['Fecha Nacimiento', 'Edad']]
print(missing_ages_info)

0   Fecha Nacimiento  Edad
15        2021-09-17  <NA>
72               NaT  <NA>
73               NaT  <NA>
74               NaT  <NA>
75               NaT  <NA>
274              NaT  <NA>
304       2022-03-22  <NA>
420       2020-05-30  <NA>
460       2020-11-15  <NA>
510              NaT  <NA>
511              NaT  <NA>
533       2021-04-17  <NA>
541              NaT  <NA>
582       2021-04-05  <NA>
784       2022-12-28  <NA>
810              NaT  <NA>
831       2023-09-10  <NA>


corr_matrix = df.select_dtypes(include=[np.number]).corr()

# Filtrar por alta correlación con 'Edad'
high_corr = corr_matrix.loc[corr_matrix['Edad'].abs() > 0.5]
high_corr_with_age = high_corr['Edad']

# Crear un DataFrame solo con las columnas altamente correlacionadas
cols_high_corr = high_corr_with_age.index.tolist()
corr_high = df[cols_high_corr].corr()

plot_heatmap(corr_matrix=corr_matrix, figsize=(8, 6), cmap='GnBu', title='')
#plot_heatmap(corr_matrix=corr_high, figsize=(8, 6), cmap='GnBu', title='Mapa de Calor de Correlaciones Altas con Edad')


df[['Edad','Altura','Peso','Nº de calzado']].describe()


plot_histogram(df[perfil_df.columns], 'Edad', bins=20, title="Distribución de la Edad", xlabel="Edad", ylabel="Frecuencia")


plot_data_histogram(df[['Altura','Peso']], 20, (24, 6), 'lightsteelblue')


plot_grid_boxplots(df, ['Edad','Altura', 'Peso'], 3, (5, 6))


plot_count(df[perfil_df.columns], 'Sexo', title="Distribución de Género", xlabel="Género", ylabel="", figsize=(4, 4), palette="tab20")


anova_result = perform_anova(df, 'Peso', 'Sexo')
print(anova_result)

                 sum_sq     df           F        PR(>F)
C(Sexo)    39828.606816    1.0  191.385098  1.376473e-39
Residual  186255.897086  895.0         NaN           NaN


anova_result = perform_anova(df, 'Altura', 'Sexo')
print(anova_result)

                 sum_sq     df           F        PR(>F)
C(Sexo)    29879.309475    1.0  242.108823  1.696022e-48
Residual  110454.388451  895.0         NaN           NaN


# T-test para comparar 'peso' entre hombres y mujeres
t_stat, p_value = perform_ttest(df, 'Peso', 'Sexo')
print(f'T-statistic: {t_stat}, P-value: {p_value}')

T-statistic: -13.834200298985959, P-value: 1.3764725542053524e-39


# T-test para comparar 'altura' entre hombres y mujeres
t_stat, p_value = perform_ttest(df, 'Altura', 'Sexo')
print(f'T-statistic: {t_stat}, P-value: {p_value}')

T-statistic: -15.55984649583114, P-value: 1.6960215444426716e-48


plot_scatter_with_hue(df, 'Edad', 'Peso', 'Sexo', "Relación entre Edad y Peso", "Edad", "Peso (kg)")


plot_scatter_with_hue(df, 'Altura', 'Peso', 'Sexo', "Relación entre Altura y Peso", "Altura (cm)", "Peso (kg)")


menores_20 = df[df['Edad'] < 20]
print(menores_20[['Edad', 'Altura', 'Peso']].describe()) # Estadísticas Descriptivas para Menores de 20 Años

0           Edad      Altura        Peso
count      126.0  126.000000  126.000000
mean   13.738095  157.953968   49.507937
std     4.529333   20.771552   17.188715
min          3.0  104.000000   15.000000
25%         11.0  146.000000   40.000000
50%         15.0  162.000000   52.000000
75%         17.0  172.000000   58.000000
max         19.0  195.000000  105.000000


peso_menos_20 = df[df['Peso'] < 20]
print(peso_menos_20[['Edad', 'Altura', 'Peso']])  # Revisar registros con peso menor de 20kg

0    Edad  Altura  Peso
466     3   110.0  17.0
475     4   110.0  18.0
536     5   104.0  15.0
554     5   105.0  17.0
590     5   112.0  16.0
592     5   110.0  15.0
896     4   115.0  18.0


plot_scatter_with_hue(df[df['Edad'] < 18], 'Altura', 'Peso', 'Sexo', "Relación entre Altura y Peso Menores de 18 años", "Altura (cm)", "Peso (kg)")


plot_scatter_with_hue(df[df['Peso'] < 20], 'Altura', 'Peso', 'Sexo', "Relación entre Altura y Peso < 20kg", "Altura (cm)", "Peso (kg)")


columns_of_interest = ['Edad', 'Sexo', 'Altura', 'Peso', 'Nº de calzado']
rows_with_missing_values = df[df[columns_of_interest].isnull().any(axis=1)][columns_of_interest]
rows_with_missing_values


patologia_df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 897 entries, 0 to 896
Data columns (total 5 columns):
 #   Column        Non-Null Count  Dtype 
---  ------        --------------  ----- 
 0   NºPatologia   897 non-null    object
 1   Articulación  897 non-null    object
 2   Localizacion  897 non-null    object
 3   Lado          897 non-null    object
 4   Patologia     872 non-null    object
dtypes: object(5)
memory usage: 35.2+ KB


missing_percentage = calculate_missing_percentage(patologia_df, patologia_df.columns, visualize=True, figsize=(10,5))

Porcentaje de datos faltantes por columna:
Patologia: 2.79%


patologia_df.describe()


patologia_df.isnull().sum()

0
NºPatologia      0
Articulación     0
Localizacion     0
Lado             0
Patologia       25
dtype: int64


df['NºPatologia'].value_counts()

NºPatologia
1    698
2    124
3     35
0     34
4      6
Name: count, dtype: int64


print(df['Articulación'].unique())

['Rodilla' 'Sin afectacion' 'Pie' 'Pierna ' 'Tobillo' 'Espalda' 'Cadera'
 'Muslo' 'Rodilla ' 'Cadera ' 'Pie ' 'Complejo' 'Lumbar']


print(df['Localizacion'].unique())

['Medial' 'Sin afectacion' 'Posterior' 'Lateral' 'Lumbar'
 'Anterior - Posterior' 'posterolateral' 'Plantar' 'Plantar proximal'
 'Plantar distal' 'Anterior' 'Dorsal proximal' 'Posteriro'
 'Medial-lateral' 'anterolateral' 'Medial-Lateral' 'Medail'
 'Dorsal distal' 'Posterior ' 'Planta proximal' 'Complejo' 'Lateral '
 'Planta distal' 'anteromedial' 'mediolateral' 'Interna' 'posteromedial'
 'posterior']


print(df['Lado'].unique())

['Bilateral ' 'Ninguno' 'Derecho' 'Izquierda' 'Derecha' 'izquierdo' 'I'
 'B' 'D' '-' 'D ' 'I ' 'Bilateral' 'Complejo' 'Izquierdo' 'bilateral'
 'Bilateral (+PD)' 'Bilateral +PD' 'Más lado izquierdo' 'Izquierdo '
 'derecho' 'Bilateral (+en I)' 'Bilateral más izquierdo' 'Derehca'
 'derecha' 'Bilateral + Izquierda' 'Bilateral (+izquierda)' 'izquierda'
 'Left' 'izdo' 'Bilateral +izq.' 'Bilateral (+Derecho)' 'Biltaeral (+D)'
 'Pie Izquierdo' 'pie izquierdo' 'Pie derecho' 'Bilateral +dx' 'Bilatera'
 'Izquierda ' 'bilateral más en derecha' 'Derecho e izquierdo. '
 'bilateral, ahora más derecho' 'derecha ' 'derecho ' 'Bilaterales'
 'Bilateral, peor derecho' 'Talón' 'izquierdo ' 'dereho ' 'bilateral '
 'bilateral, más izquierdo ' 'bilateral. ' 'Bilateral (+D)'
 'Derecho (alguna ligera izquierda)' 'derecho/bilateral ' 'izquierda '
 'Bilateral (+izquierdo)' 'Derecha ' 'bilateral más derecha '
 'mas derecho ']


df['Articulación'] = clean_articulacion(df['Articulación'])
df['Localizacion'] = clean_localizacion(df['Localizacion'])
df['Lado'] = clean_lado(df['Lado'])


print(df['Articulación'].unique())

['rodilla' 'sin afectación' 'pie' 'pierna' 'tobillo' 'espalda' 'cadera'
 'muslo' 'complejo']


print(df['Localizacion'].unique())

['medial' 'no especificado' 'posterior' 'lateral' 'lumbar'
 'anteroposterior' 'posterolateral' 'plantar' 'plantar proximal'
 'plantar distal' 'anterior' 'dorsal proximal' 'mediolateral'
 'anterolateral' 'dorsal distal' 'anteromedial' 'posteromedial']


# Unificar categorías en 'Localizacion'
df['Localizacion'] = df['Localizacion'].replace({
    'anteroposterior': 'general',
    'mediolateral': 'general',
    'plantar proximal': 'plantar',
    'plantar distal': 'plantar',
    'dorsal proximal': 'dorsal',
    'dorsal distal': 'dorsal',
    'posterolateral': 'posterior',
    'posteromedial': 'posterior',
    'anterolateral': 'anterior',
    'anteromedial': 'anterior',
    'no especificado': 'no-especificado'
})

print(df['Localizacion'].unique()) # Verificar los cambios realizados

['medial' 'no-especificado' 'posterior' 'lateral' 'lumbar' 'general'
 'plantar' 'anterior' 'dorsal']


# Crear una columna temporal que combine 'Articulación' y 'Localización'
df['Zona_Afectada'] = df['Articulación'] + "_" + df['Localizacion']

print(f"Nº de combinaciones únicas de Articulación y Localización: {df['Zona_Afectada'].nunique()}")

Nº de combinaciones únicas de Articulación y Localización: 35


print(df['Zona_Afectada'].unique())

['rodilla_medial' 'sin afectación_no-especificado' 'pie_medial'
 'pierna_posterior' 'tobillo_lateral' 'espalda_lumbar' 'rodilla_lateral'
 'rodilla_general' 'pierna_lateral' 'rodilla_posterior' 'pie_plantar'
 'rodilla_anterior' 'tobillo_medial' 'tobillo_posterior' 'cadera_lateral'
 'pie_lateral' 'muslo_posterior' 'pie_dorsal' 'tobillo_general'
 'muslo_lateral' 'cadera_posterior' 'tobillo_anterior' 'pierna_anterior'
 'cadera_anterior' 'complejo_no-especificado' 'espalda_posterior'
 'pierna_medial' 'cadera_medial' 'pie_no-especificado' 'muslo_general'
 'muslo_anterior' 'pie_general' 'pie_anterior' 'muslo_no-especificado'
 'pierna_general']


# print(df['Zona_Afectada'].value_counts())


plot_count(df, 'Zona_Afectada', title="Distribución Zonas Afectadas", xlabel="", ylabel="", figsize=(24,12), palette='Spectral')


print(df['Lado'].unique())

['b' 'ninguno' 'd' 'i' 'no especificado' 'complejo' 'b + r' 'b + i']


catplot(df, 'Articulación', 'Localizacion', 'Distribución de Articulación por Localización', palette='Spectral')


plot_count(df, 'Lado', '', '', 'Frecuencia', figsize=(6, 5), palette="RdBu")


df['Lado'] = df['Lado'].replace({
    'b + r': 'b',
    'b + i': 'b',
    'ninguno': 'no especificado',
})

print(df['Lado'].unique()) # Verificar los cambios realizados

['b' 'no especificado' 'd' 'i' 'complejo']


plot_count(df, 'Lado', '', '', 'Frecuencia', figsize=(6, 5), palette="RdBu")


stacked_barplot(df, 'Articulación', 'Sexo', 'Distribución Sexo - Articulación', palette='tab20')


# Tabla de contingencia
table, chi2, p = contingency_table(df, 'Sexo', 'Articulación')
print(table)
print(f'Chi2: {chi2}, P-value: {p}')

Articulación  cadera  complejo  espalda  muslo  pie  pierna  rodilla  \
Sexo                                                                   
F                 24         3       11     10  122      32       67   
M                 42         1       14     12  157      55      166   

Articulación  sin afectación  tobillo  
Sexo                                   
F                          8       47  
M                         26      100  
Chi2: 20.049220372737288, P-value: 0.010151429262434578


# Convertir todos los valores a string excepto NaN
unique_patologias = df['Patologia'].str.strip().str.lower().dropna().astype(str).unique()
unique_patologias.sort()

# Imprime los valores únicos ordenados
for patologia in unique_patologias:
    print(patologia)

1 año con molestias en pierna derecha cuadriceps espalda.
1mtf
4ºmeta
9 iq rodilla
accidente de tráfico
ajuste prótesis
alguna vez tibial posterior
alumno usj
ampollas metatarsales
aquiles
aquiles (sobrecarga)
aquiles - nervio peroneo
aquiles cortos
aquiles dcho-periostitis-fx estrés m2-m3 izq
aquiles derecho
aquiles derecho alguna molestia en frío
aquiles izquierdo
aquiles y fascia plantar en pd
arco interno y tibial anterior
artritis reumatoidea
artrodesis tobillo
artrosis cadera derecha
artrosis metatarsofalángica
artrosis rodilla
artrosis rodilla. artrosis generalizada
artrosis tibio-astragalina
asimetria
asimetría
bajo tono. preocupada por la pisada.
biomecanica plantillas
borde interno tibial
bíceps femoral
cadena posterior
cadera
cadera zona interior
cadera/coxis
cadera/gluteo
caderas
caida con diferentes afecciones
calcificación en astragalo
cambios al andar y en posición
cara anterior tibia
cara interna tobillo
cara medial de rodilla
cavo valgo (iq fasciotomía)
cintilla
cintilla iliotibial
cintilla ilitotibial
coalición fibrocartilaginosa calcaneo-escafoidea
complejo
condromalacia bilateral
condromalacia rotuliana
condropatía condilo femoral medial
condropatía femoro-patelar
condropatía femoro-tibial
condropatía femorotibial externa
condropatía patelar vertiente interna. pcl desgarro.
condropatía tibio astragalina
condropatíafemoro-tibial medial
contracturas en psoas y anteversión de pelvis y a veces molestias en glúteo.
corré raro y dolor en isquios (deriva victor parra)
coxo artrosis
dedo
dedos en garra y actitud escoliotica
deforma el calzado
deriva elena por pie valgo
deriva marta marcha en add
desgaste lateral de calzado
dismetría
dolor anterior de tobillo
dolor anterolateral rodilla
dolor arco
dolor de espalda en zona lumbar, y dolor en planta del pie derecho
dolor de espalda.
dolor de pies
dolor en 2ºmeta
dolor en ambos pies y espalda
dolor en arco plantar
dolor en el arco
dolor en el empeine
dolor en el talón y tibial posterior
dolor en el tobillo
dolor en lateral desde maleolo hasta el pie
dolor en trocanter derecho
dolor en zona lateral de la pierna
dolor entre 1er y 2º dedo
dolor entre 2º3º dedo
dolor generalizado
dolor generalizado en pies
dolor hallux
dolor lateral de rodilla + lumbar
dolor lumbar y planta de los pies
dolor lumbar.
dolor lumbar/cadera dcha
dolor m5
dolor medial rodilla
dolor pie
dolor piernas
dolor pies
dolor planta y dorso
dolor pretibial
dolor tibial medial
dolor tobillos
dolor y sensación de quemazón y hormigueo lateral
dos fracturas vertebrales dorsales y una hernia que le estaba comprimiendo
edema astragalo
edema navicular
edema oseo  navicular
elh y cintilla
empeine
en la revisión con el pediatra le dicen que tiene pie valgo.
equino
escafoides accesorio
escoliosis acentuada
escoliosisi y lumbar
esguince cronico
esguince derecho
esguince izquierdo con sudexk y alteración nerviosa
esguince lpaa
esguinces y gemelo
espalda y pierna izquierda lumbociatica
espolon calcaneo
espolón
estudio
estudio biomecanico
estudio de la marcha
estudio por abrahan. le molesta dorso de pies
evaluar biomecánica
fascia
fascia plantar
fascia plantar derecha
fascia plantar y talón
fascia y tobillo derecho y rodilla izquierda
fascia zona pretibial distal (ecd)
fasciosis-fascitis bilateral
fascitis
fascitis bilateral
fascitis izquierda
fascitis plantar
fascitis plantar bilateral
fascitis plantar izquierda mas dolro rodilla medial izquierdo
fascitis y cintilla
fasctitis plantar
flexor del hallux
flexor largo del hallux
foot
fractura 5º
fractura de estrés metatarsal
fractura de estrés tibial
fractura de estrés y periostitis  tibial
fractura de peroné derecho.
fractura de peroné izquierda
fractura navicular
fractura peroné izquierda y molestia en estiloides 5º meta
fractura por stress del sacro
fractura sesamoideo lateral bilateral
fractura tibia + peroné
fracturas estrés pie
fredi team. 2019 psoas
fredi team/ medio fondo, fondo obstaculos
fredy team - pinch callus
fredy team. alguna sobre carga en biceps femoral derecho insercion distal.
freiberg
gemelo
gemelo interno
gemelo interno de la pierna izquierda
gemelos
gemelos bilateral
gemelos e isquios
gemelos isquios
gemelos y se le duermen los pies.
genu valgo
gluteo derecho
gluteo mayor
glúteo
gonartrosis
grasa hoffa
hallux pie
hallux rigidus
hav
hav incipiente
hemiplejia
hernia discal (protrusión) y soleos.
hormigueo y dolor en juanete
hueco popliteo
impingement anteromedial pi
impingment
impingment anterior
impingment cadera izquierdo
impingment posterior
inestabilidad
inestabilidad femoropatelar
inestabilidad y déficit de movilidad
iq lca (semitendinoso)  + menisco interno
iq tobillo
isa macías
isam
isam, hace 3 meses contratura gluteo medio
isquio
isquios
isquios y cadera
isquiotibiales
isquiotibiales proximal
itb right / hip left
juanete/ fascitis plantar
lateral rodilla
lateral tobillo y pie
lca
lca bilateral
lca, flexum rodilla
lesión de ski antigua --> rodilla izquierda. cadera pisada.... columna...
lesión labral
ligamento coltateral medial
ligamento cruzado anterior
ligamento lpaa
lumbalgia
lumbar y empeine (bilateral)
lumbar-cadera-rodilla
m1-m2 en pd y m5 pi (metatarsalgia)
m2
m5
mal apoyo/pie cavo.
mala pisada
marcha aducta
marcha de puntillas
marcha en intrarotación.
marcha en intraversión
marcha puntillas
mejorar economía de carrera
menisco
menisco externo
menisco interno
menisco interno izquierda y aquiles derecha
metatarsalgia
metatarsalgia  y rodilla
metatarsalgia central
metatarsalgia central izquierda
metatarsalgia de m5
metatarsalgia del 2
metatarsalgia m2
metatarsalgia m4
metatarsalgia y cintilla. (antes cuando se hizo las primeras)
metatarsalgia y empeine
mete el pie
mete los pies hacia adentro
mete pie derecho y mete rodillas
molestia en peroneo anterior y dorso tobillo. triple salto
molestia tendon rotuliano y polo inf rotula
molestias en hav (2ª opinión)
molestias en la cadera
molestias en rodilla derecha varias consultas por dismetría e inestabilidad en ese pie
muslo
muslo derecho
nada
necrosis femoral
neuroma
neuroma de morton
neuroma morton
neuroma morton y metatarsalgia
ninguna molestia
ninguna patología
no actual, poplíteo
ok
osteotomía
parte posterior del astragalo
pata ganso
periostitis
periostitis bilateral
periostitis repetitiva + ahora dolor inguinal
periostitis tibial
peroneo
peroneo/aquiles
peroneos izquierdo en calcaneo
pia plano valgo e hiperlaxitud
pie
pie cavo
pie cavo - gemelos
pie derecho muy supinado
pie derecho zona 1er radio
pie equino
pie izquierdo
pie izquierdo (diego)
pie izquierdo y lateral rodilla bilateral
pie plano
pie plano y dolor en el talón
pies
pies cavos
pies cavos traumatologo. molestias rodilla edema derecha.
pies planos
pies planos valgos
pies planos y rodilla valgo
pies valgos
pies y dismetría. molestia en planta del pie.
pinch callus + metarsalgia 2-2
pinzamiento en cadera derecha
piramidal y lumbar
pisa mal le dice fredi
planos valgos
planta de los pies
planta del pie y aquiles
plantillas
plantillas - molestias rodilla
plantillas_paciente monica
popliteo izquierdo . ambos pies
post iq protesis unicompartimental
prematuro calatayud (hiperextensión rodillas) + pie plano
prevención
pronación
pronación excesiva
protesis femoral
protesis rodilla compartimento interno
psoas
psoas derecho y actualmente inicio de molestias en izquierdo.
pubalgia
recto femoral
rendimiento
renovacion plantillas
renovación
renovar en resport - talones
retromaleolar
retropie valgo
revision plantillas
revisión
revisión escoliosis
rodila
rodilla
rodilla anterior
rodilla anterior supra e infra rotuliano
rodilla antero lateral
rodilla anterolateral
rodilla anteromedial
rodilla bilateral rotuliano condromalacia
rodilla cara externa
rodilla cara interna
rodilla central
rodilla condromalacia (pero tiene dolor posterior) + edema subcondral en tercio medio cartilago tibial externo)
rodilla derecha.
rodilla lateral
rodilla lateral - cintilla
rodilla y espalda
rodilla zona anterior
rodilla zona interna
rotuliano
rotura bilateral del ligamento lateral tpa
rotura de maleolo
rotura de menisco interno - pata de ganso
rotura de peroné consolidada pero con dolor
rotura gemelo d verano (2 meses parada) se carga gemelo y soleo
run&fun
ruptura de aquiles
ruptura tendón de aquiles
sacro iliaca
sacroiliacas
sartorio
segunda opinion pies valgos.
segunda opinión cirugia pie plano
semimembranoso
seno tarso
sesamoideo
sesamoiditis
sever
sin diagnostico
sin patologia / consulta podologica
sin problema
sindrome seno tarso
sindrome tibial anterior
sobrecarga gemelos
soleo
soleo y tibial
talalgia
talalgia (fasciopatía plantar)
talalgia al aumentar km
talon
talon y lumbar
talones
talón derecho
tendinitis en la planta
tendinopatia
tendinopatia aquilea
tendinopatia peroneo corto y metatarsalgia de 5º
tendon aquiles
tendon de aquiles
tendón aquiles
tendón cuadricipital
tendón flh
tendón peroneo
tendón poplíteo
tendón rotuliano
tendón tibial posterior
tenosinovitis
tenosinovitis severa tibial posterior y varo de retropie
tercer dedo pie
tfl cintilla
tibial anterior
tibial anterior (actualmente + otras)
tibial posterio
tibial posterior
tibial posterior pie plano flexible
tobillo
tobillo izquierdo + neuroma morton
tobillo lateral
tobillo medial
tobillo-rodilla suprarrotuliano
tobillos al correr
trauma pie
triceps sural
trocanteritis
tríceps sural
tta y zona lumbar
uñas de los pies
valgo
valgo marcado
valgo rodilla
valoración pediátrica
zambo
zona dorso lateral


ib_resport_df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 897 entries, 0 to 896
Data columns (total 20 columns):
 #   Column                     Non-Null Count  Dtype 
---  ------                     --------------  ----- 
 0   Enf Sistemicas 1           239 non-null    object
 1   Enfermedades Sistemicas 2  3 non-null      object
 2   Sintomas narrados          858 non-null    object
 3   Diagnóstico 1              708 non-null    object
 4   Dagnóstico 2               2 non-null      object
 5   IQ                         335 non-null    object
 6   Fecha IQ                   24 non-null     object
 7   Resultado IQ               9 non-null      object
 8   Tabaco                     104 non-null    object
 9   Alcohol                    48 non-null     object
 10  Medicación                 231 non-null    object
 11  Fármacos                   253 non-null    object
 12  Alergias                   162 non-null    object
 13  Alergenos                  174 non-null    object
 14  Actividad principal        210 non-null    object
 15  Marca 10K                  127 non-null    object
 16  Especialidad               72 non-null     object
 17  km/sem                     129 non-null    object
 18  Calzado 1                  262 non-null    object
 19  Calzado 2                  202 non-null    object
dtypes: object(20)
memory usage: 140.3+ KB


missing_percentage = calculate_missing_percentage(ib_resport_df, ib_resport_df.columns, visualize=True, figsize=(10,5))

Porcentaje de datos faltantes por columna:
Dagnóstico 2: 99.78%
Enfermedades Sistemicas 2: 99.67%
Resultado IQ: 99.00%
Fecha IQ: 97.32%
Alcohol: 94.65%
Especialidad: 91.97%
Tabaco: 88.41%
Marca 10K: 85.84%
km/sem: 85.62%
Alergias: 81.94%
Alergenos: 80.60%
Calzado 2: 77.48%
Actividad principal: 76.59%
Medicación: 74.25%
Enf Sistemicas 1: 73.36%
Fármacos: 71.79%
Calzado 1: 70.79%
IQ: 62.65%
Diagnóstico 1: 21.07%
Sintomas narrados: 4.35%


#print(df['Enf Sistemicas 1'].unique())
#print(df['Enfermedades Sistemicas 2'].unique())
#print(df['Diagnóstico 1'].unique())
#print(df['Dagnóstico 2'].unique())
#print(df['IQ'].unique())


print(df['Tabaco'].value_counts())
print(df['Alcohol'].value_counts())

Tabaco
Si    92
0     12
Name: count, dtype: int64
Alcohol
Si    39
0      9
Name: count, dtype: int64


#print(df['Actividad principal'].unique())
print(df['Marca 10K'].unique())
print(df['Especialidad'].unique())
print(df['km/sem'].unique())
print(df['Calzado 1'].unique())
print(df['Calzado 2'].unique())

[nan 45 65 33 36 55 50 48 34 53 40 31.21 39 60 57 29 70 39.11 37 34.19 32
 30.27 51 35 56 0 31.4 28 44.5 49 38 35.45 43 44 40.1 47 29.5 33.5 67 42
 54]
[nan 'Media y trail. ' 'amateur' 'amteur ' 'Triatlon' 'Nacional '
 'Europeo' 'Obstáculos' '5k-20k' 'Elite' 'Recreacional' '1500' 'Amateur' 0
 '1500-3000 obs' 'Nacional' '400 y 800' '800/1500' '400-800' '3000/1500'
 'Marcha ' '800-1500' '600/1000' 'TRIATLON' 'Sub40'
 'Trail/larga distancia' 'Velocidad' 'Fondo' 'Ultra' 'Trail /Cross'
 'Triple salto y longitud. Velocidad' 'Trail' '5000 (13:29)'
 'Ultra trail. ' '1500 /elite' 'Salto altura' 'Sprint ' '2ª nacional '
 'Amateur ' 'amateur ' 'Mil y cross' 'nacional' '3+1 ' '2 + 1 ' '400/800'
 'Salto longitud']
[nan '6d/sem' '20 ' '100' '2h/d caminar ' 40 '15-20 ' '15-20' 49 '60-80'
 100 '20-25' '20' '50-60' '40-50' 25 '40' '25' '35-40' '63-90 ' '130-140 '
 '90-120' '50' 30 '70' '30' '90' 15 '30-35' '90-110' 0 '30-40' '80'
 '70-80' '45-50' '150' '30 ' '60' '45' '25-30' '90-100' '60-65' 10 20
 '70-100' '60-70' '13 ' '120-130' '85-90' 3 '25/30' '20-30' '10-15'
 '40-80' '40-60' '20-10 ' 80 '80 ' '15' '10 ' '20-25 '
 datetime.datetime(2024, 6, 5, 0, 0) '20-50']
[nan 'Nike kiger' 'Saucony ' 'Deportivo' 'On ' 'Hoka y new balance '
 'Deportivo/ Salomón Nike ' 'Deportiva y Zapato de tacón' 'Ultraboost '
 'Nike Air zoom Hyperace 2 .' 'Brooks Ghost' 'Nike pegasus '
 'Brooks glycerin' 'asics ' 'pegasus 38' 'Hoka clifton 3-4 años. '
 'Skechers' 'Vans ' 'Asics neutras ' 'ON ' 'Nike revolution, crocs'
 'Reebock, asics ' 'Hoka Clifton ' 'Saucony peregrin '
 'Adidas stabil (balonmano) ' 'Salomón ' 'J\x90hayber' 'Hoka clifton'
 'Hoka clifton ' 'asics nimbus. ' 'Asics gel kayano' 'Asics Kayano '
 'Brooks cascadia ' 'ON (no contento) ' 'Skechers asics culumbus'
 '5.10 bota. Laesportiva' 'Zapato de vestir ' 'Asics gel nimbus'
 'Hoka Bondi (no ha llegado a correr) ' 'asics gel pulse 13 '
 'Deportivo de calle. ' 'Zapatillas. ' 'Skechers ' 'columbus, NB574 '
 'GEL KAYANO' 'ASICS Gel nimbus' 'Adidas ultraboost ' 'nike pegasus. '
 'Brooks reactive' 'brooks  launch 8. ' 'Nike Pegasus '
 'Pegasus tiempos más largos. ' 'mizuno ' 'Brooks adrenalin GTS '
 'Nike pegasus - Adizero pro 2' 'Adidas Adizero pro '
 'Nova Blas 2 // Metaspeed sky // Metaspeed LD ' 'Nike pegasus'
 'Salomon-sense 4 pro1' 'Calzado de seguridad' 'Adidas adizero adiós 4 '
 'DS Trainer' 'Nike pegasus 37, nike infinity react y Adidas adios 5 '
 'Adidas adizero boston. Adizero adios pro, ' 'Nike Zoom Fly'
 'Brooks ghost ' 'Adidas Solarglide y adizero Avanti tio '
 'Adidas SL 20 (rodaje rápido)' 'Variado'
 'Entrenamiento Hoka Rincón (entre 3 y 5 min el km)'
 'Adizero Adios (entrenó rápido)' 'ASICS NIMBUS 21' 'Zoom vomero 14'
 'Hoka Rincón 2' 'Nike Lebron' 'Pegasus 36' 'Pegasus 35 entreno'
 'Nike Epic React' 'Adidas solar Boost ' 'Pegasus 37' 'Saucony Triumph 18'
 'Pegasus 35' 0 '38' 'Mizuno Wave sky 3' 'Adizero Boston'
 'Nike Pegasus 33' 'Ultra Boost. ' 'HOka speedgoat'
 'ADizero y Nike 4% series' 'GT2000 asics' 'Nike Pegasus 37'
 'Adidas Solar Boost' 'Adidas ultra boost' 'Altra Torin 4.5'
 'Adidas Boston' 'Adizero adiós pro' 'Adidas Solar drive'
 'Nike Pegasus 36' 'Adidas solar boost' 'Asics gel excite 7'
 'Brooks Ricochet ' 'Vomero' 'Ultra Boost 20. ' 'Brooks glicerine. '
 'NB BeaconV3' 'Asics Gt4000' 'Vaporfly 4' 'Adidas Ultra Boost 19'
 'Nike pegasus turbo 2. ' 'Calzado de basket (caña alta) ' 'Nike Vomero'
 'PEGASUS ' 'Deportiva plana ' 'Deportivo ' 'Hoka cavu'
 'Deportivo y zapato del cole ' 'Vaporfly ' 'Esportiva , brooks catmount'
 'Salomon Slab Ultra3' 'Asics Gel Kayano 25' 'Nike Pegasus' 'Nike react'
 'Deportiva' 'Brooks glycerin ' 'Adidas ' 'Brooks ricochet' 'Pegasus'
 'Hoka Rocket x ' 'New Balance 1500V3' 'NB 1080 '
 'Varias adidas (solarboost ultraboost)' 'Brooks cascadia'
 'Baloncesto Nike Performance Giannis inmortality' 'Bota '
 'Mizuno wave mizuno ' 'Under Armour Pursuit' 'Asics '
 'Saucony endorfina shift' 'Nike Pegasus 38 (Tokyo)'
 'Adidas Ultraboost 27' 'Mizuno wave ' 'Nike varo ' 'Hoka Bondi'
 'Vomero 15 ' 'Nike Pegasus 38'
 'Nike revolución (similar  a la epic react)' 'Saucony Ride'
 'Saucony triunph' 'Deportivo y plano ' 'Epic react ' 'Bota militar '
 'Mucich diario. asics GT-express ' 'Asics Nimbus. ' 'Adizero Boston '
 'Mocasin ' 'Nike Pegasus Trail' 'ON y Pegasus '
 'Adidas Boston 10, Avanti pista ' 'Deportivo/chanclas para trabajar. '
 'Clifton y bota de seguridad' 'Nike Tempo Nike Alphafly'
 'Mizuno wave rider ' 'Quechua'
 'Deportivo // Mizuno Wave rider y Mizuno Wave Horizon (no le gustan) '
 'Nike pegasus // Adidas adiós 4 '
 'Deportivo Saucony Kinvara y adidas Ultra Boost ' 'Asics Cumulus '
 'Joma super cross' 'NB' 'Adidas Adizero pro // Altra Mont Blanc'
 'Asics Stratus ' 'Brooks levitate (septiembre) ' 'Deportiva. '
 'Brooks Glycerin ' 'Calzado uniforme ' 'Hoka Elevon y Nike vaporfly '
 'Adidas solarboost // Joma R_3000 con placa para // Avanti para competir '
 'Brooks Ghost ' 'Bota y deportivas ' 'Adidasultraboost '
 'Hoka Clifton (antes Hoka Rincón)' 'Deportiva y suele plataforma '
 'HAbitualmente deportivo ' 'Adidas Boston 10. Salomon para montaña '
 'Montaña con horma estrecha y suela dura y fina ' 'Asics pulse '
 'deportiva plana y zuecos en consulta ' 'Pikolinos'
 'Deportivas, Bota montaña y Salomon Sense '
 'Merrell (con las que más cómoda va) ' 'Kalenji ' 'Puma veloci '
 'Nike pegasus turbo. ' 'Brooks ghost o adrenaline' 'Nike vomero '
 'Adidas futbol y Nike pegasus para correr'
 'Adidas solarglide/ Adidas adizero ' 'Asics Gel pulse 14. ']
[nan 'Brooks ricochet ' 'Nike react (placa) ' 'La sportiva akasha '
 'Asics gel nimbus ' 'New balance hierro' 'Nike Vaporfly'
 'Series : Nike tempo ' '42' '43' '45,5' '44'
 'Supernova (notaba mas impacto)' 'Ultraboost 19 para largo' '37.5' '39 '
 'Adidas Boston Adizero' '41' 'Adidas Boston 19'
 'Clinton las únicas que va sin dolor. ' '44,5 '
 'Rueda con las superglide' 'Hoka speed goat ' 'Zoom fly'
 'Nike Strike 7 / Mamba 5' 0 'Recomendamos Structure o Trascend'
 'Adidas adizero adios' 'Clavos Adidas Adizero Finese'
 'Mizuno waveskyrace' 'Nike Vomero y react  largo '
 'Adidas RC2 (clavos Nike RivalD)'
 'Nike Tempo / Clavos:zoom Victory 3 o NB MD 800' 'Nike dragon Flynn'
 'Adidas Solar Glide St (probadora)' 'Solarboost ' 'Solar glide St'
 'Adidas Boston. ' 'Brooks revel' 'Superfly elite 2 - adizero avanti '
 'Trail: Adidas Terrex / Boston / Adizero Adiós Pro' 'Salomon  ultra pro'
 'Nike Zoom Rival' 'VAPORFLY NEXT' 'Adidas Adizero Adios 5'
 'Salomon SRide.' 'Adizero y unas Nike clavos. ' 'Epic React'
 'Salomon Slab ultra 3 ' 'NB tempo y NB fuel cell '
 'Competir salomon Slab sense7' 'Nike pegasus 38'
 'Saucony endorphin Speed /pegasus 38 para trail. ' 'Pegasus'
 'Nike Vaporfly (adizero adios 4)' 'Brooks cascadia' 'La Sportiva xrt'
 '37/40 ferula' '45' '38' '40' '37' '39' '40 ' '42.5' '42.5 ' '42,5' '31'
 '44.5' '39.5' '46' '41,5 ' '38.5' '33' '37 ' '43,5' '38 ' '47' '44.5 '
 '38.5 ' '45 ' '36' '43.5 ' '44,5']


runscribe_walk_df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 897 entries, 0 to 896
Data columns (total 58 columns):
 #   Column                              Non-Null Count  Dtype 
---  ------                              --------------  ----- 
 0    Pace_walk                          755 non-null    object
 1   Velocidad_walk                      755 non-null    object
 2    Step Rate_walk                     755 non-null    object
 3    Stride Length_walk                 755 non-null    object
 4    Contact Time_walk                  755 non-null    object
 5    Flight Ratio_walk                  755 non-null    object
 6    Power_walk                         755 non-null    object
 7    Shock_walk                         755 non-null    object
 8    Impact Gs_walk                     755 non-null    object
 9    Braking Gs_walk                    755 non-null    object
 10   Footstrike Type_walk               755 non-null    object
 11   Pronation Excursion_walk           755 non-null    object
 12   Max Pronation Velocity_walk        755 non-null    object
 13   Peak Vertical GRF_walk             755 non-null    object
 14   Contact Ratio_walk                 755 non-null    object
 15   Flight Time_walk                   755 non-null    object
 16   Stride Angle_walk                  755 non-null    object
 17   Leg Spring Stiffness_walk          755 non-null    object
 18   Vertical Spring Stiffness_walk     755 non-null    object
 19   Vertical GRF Rate_walk             755 non-null    object
 20   Horizontal GRF Rate_walk           749 non-null    object
 21   Swing Force Rate_walk              749 non-null    object
 22   VO<sub>2</sub>_walk                749 non-null    object
 23   Total Force Rate_walk              749 non-null    object
 24   Time (Max Swing->FS)_walk          755 non-null    object
 25   Time (FS->MPV)_walk                755 non-null    object
 26   Time (MPV->MP)_walk                755 non-null    object
 27   Time (MP->TO)_walk                 755 non-null    object
 28   Time (Min Swing->Max Swing)_walk   755 non-null    object
 29   Time (TO->Min Swing)_walk          755 non-null    object
 30   Medio Lateral Gs_walk              755 non-null    object
 31   Braking Gs (Amplitude)_walk        754 non-null    object
 32   Impact Gs (Amplitude)_walk         754 non-null    object
 33   Vertical Speed_walk                755 non-null    object
 34   Elevation Gain_walk                718 non-null    object
 35   Yaw Excursion_walk                 755 non-null    object
 36   Swing Excursion_walk               755 non-null    object
 37   Yaw Excursion (MP->TO)_walk        755 non-null    object
 38   Yaw Excursion (Swing)_walk         755 non-null    object
 39   Max Stance Velocity (FS->MP)_walk  755 non-null    object
 40   Max Stance Velocity (MP->TO)_walk  755 non-null    object
 41   Step Length_walk                   755 non-null    object
 42   Pronation Excursion (MP->TO)_walk  755 non-null    object
 43   Stance Excursion (FS->MP)_walk     755 non-null    object
 44   Stance Excursion (MP->TO)_walk     755 non-null    object
 45   Min Tilt_walk                      652 non-null    object
 46   Max Tilt_walk                      652 non-null    object
 47   Min Obliquity_walk                 652 non-null    object
 48   Max Obliquity_walk                 652 non-null    object
 49   Min Rotation_walk                  652 non-null    object
 50   Max Rotation_walk                  652 non-null    object
 51   Max Tilt Rate_walk                 652 non-null    object
 52   Max Obliquity Rate_walk            652 non-null    object
 53   Max Rotation Rate_walk             652 non-null    object
 54   Vertical Oscillation_walk          652 non-null    object
 55   Braking Gs2_walk                   755 non-null    object
 56   Impact Gs2_walk                    755 non-null    object
 57   Medio Lateral Gs2_walk             536 non-null    object
dtypes: object(58)
memory usage: 406.6+ KB


runscribe_walk_df.head()


missing_percentage = calculate_missing_percentage(runscribe_walk_df, runscribe_walk_df.columns, visualize=True, figsize=(12,6))

Porcentaje de datos faltantes por columna:
 Medio Lateral Gs2_walk: 40.25%
 Vertical Oscillation_walk: 27.31%
 Max Rotation Rate_walk: 27.31%
 Max Obliquity Rate_walk: 27.31%
 Max Tilt Rate_walk: 27.31%
 Max Rotation_walk: 27.31%
 Min Rotation_walk: 27.31%
 Max Obliquity_walk: 27.31%
 Min Obliquity_walk: 27.31%
 Max Tilt_walk: 27.31%
 Min Tilt_walk: 27.31%
 Elevation Gain_walk: 19.96%
 Horizontal GRF Rate_walk: 16.50%
 Total Force Rate_walk: 16.50%
 VO<sub>2</sub>_walk: 16.50%
 Swing Force Rate_walk: 16.50%
 Impact Gs (Amplitude)_walk: 15.94%
 Braking Gs (Amplitude)_walk: 15.94%
 Step Length_walk: 15.83%
 Max Stance Velocity (MP->TO)_walk: 15.83%
 Max Stance Velocity (FS->MP)_walk: 15.83%
 Pronation Excursion (MP->TO)_walk: 15.83%
 Stance Excursion (MP->TO)_walk: 15.83%
 Braking Gs2_walk: 15.83%
 Yaw Excursion (Swing)_walk: 15.83%
 Yaw Excursion (MP->TO)_walk: 15.83%
 Swing Excursion_walk: 15.83%
 Yaw Excursion_walk: 15.83%
 Impact Gs2_walk: 15.83%
 Vertical Speed_walk: 15.83%
 Stance Excursion (FS->MP)_walk: 15.83%
 Pace_walk: 15.83%
 Medio Lateral Gs_walk: 15.83%
Velocidad_walk: 15.83%
 Step Rate_walk: 15.83%
 Stride Length_walk: 15.83%
 Contact Time_walk: 15.83%
 Flight Ratio_walk: 15.83%
 Power_walk: 15.83%
 Shock_walk: 15.83%
 Impact Gs_walk: 15.83%
 Braking Gs_walk: 15.83%
 Footstrike Type_walk: 15.83%
 Pronation Excursion_walk: 15.83%
 Max Pronation Velocity_walk: 15.83%
 Peak Vertical GRF_walk: 15.83%
 Contact Ratio_walk: 15.83%
 Flight Time_walk: 15.83%
 Stride Angle_walk: 15.83%
 Leg Spring Stiffness_walk: 15.83%
 Vertical Spring Stiffness_walk: 15.83%
 Vertical GRF Rate_walk: 15.83%
 Time (Max Swing->FS)_walk: 15.83%
 Time (FS->MPV)_walk: 15.83%
 Time (MPV->MP)_walk: 15.83%
 Time (MP->TO)_walk: 15.83%
 Time (Min Swing->Max Swing)_walk: 15.83%
 Time (TO->Min Swing)_walk: 15.83%


runscribe_columns = [col.strip() for col in runscribe_walk_df.columns]
df.columns = df.columns.str.strip()

# Convertir columnas a numérico
for column in runscribe_columns:
    if column in df.columns:
        df[column] = pd.to_numeric(df[column], errors='coerce')


missing_values = df[runscribe_columns].isna().sum()

more_than_200 = missing_values[missing_values > 200]
between_150_and_200 = missing_values[(missing_values > 150) & (missing_values <= 200)]
between_100_and_150 = missing_values[(missing_values > 100) & (missing_values <= 150)]
less_than_100 = missing_values[missing_values < 100]


print(more_than_200.index.tolist())

['Min Tilt_walk', 'Max Tilt_walk', 'Min Obliquity_walk', 'Max Obliquity_walk', 'Min Rotation_walk', 'Max Rotation_walk', 'Max Tilt Rate_walk', 'Max Obliquity Rate_walk', 'Max Rotation Rate_walk', 'Vertical Oscillation_walk', 'Medio Lateral Gs2_walk']


print(between_150_and_200.index.tolist())

['Elevation Gain_walk']


print(between_100_and_150.index.tolist())

['Pace_walk', 'Velocidad_walk', 'Step Rate_walk', 'Stride Length_walk', 'Contact Time_walk', 'Flight Ratio_walk', 'Power_walk', 'Shock_walk', 'Impact Gs_walk', 'Braking Gs_walk', 'Footstrike Type_walk', 'Pronation Excursion_walk', 'Max Pronation Velocity_walk', 'Peak Vertical GRF_walk', 'Contact Ratio_walk', 'Flight Time_walk', 'Stride Angle_walk', 'Leg Spring Stiffness_walk', 'Vertical Spring Stiffness_walk', 'Vertical GRF Rate_walk', 'Horizontal GRF Rate_walk', 'Swing Force Rate_walk', 'VO<sub>2</sub>_walk', 'Total Force Rate_walk', 'Time (Max Swing->FS)_walk', 'Time (FS->MPV)_walk', 'Time (MPV->MP)_walk', 'Time (MP->TO)_walk', 'Time (Min Swing->Max Swing)_walk', 'Time (TO->Min Swing)_walk', 'Medio Lateral Gs_walk', 'Braking Gs (Amplitude)_walk', 'Impact Gs (Amplitude)_walk', 'Vertical Speed_walk', 'Yaw Excursion_walk', 'Swing Excursion_walk', 'Yaw Excursion (MP->TO)_walk', 'Yaw Excursion (Swing)_walk', 'Max Stance Velocity (FS->MP)_walk', 'Max Stance Velocity (MP->TO)_walk', 'Step Length_walk', 'Pronation Excursion (MP->TO)_walk', 'Stance Excursion (FS->MP)_walk', 'Stance Excursion (MP->TO)_walk', 'Braking Gs2_walk', 'Impact Gs2_walk']


print(less_than_100.index.tolist())

[]


# Cuántas filas se eliminarían si se quitan las que tienen al menos un NaN
rows_with_nan = runscribe_walk_df.isna().any(axis=1).sum()

print(f"Total de filas que se eliminarían con dropna(): {rows_with_nan}")
print(f"Porcentaje de datos que se perderían: {100 * rows_with_nan / len(runscribe_walk_df):.2f}%")

Total de filas que se eliminarían con dropna(): 390
Porcentaje de datos que se perderían: 43.48%


corr_matrix = df[runscribe_columns].corr()
plot_heatmap(corr_matrix=corr_matrix, figsize=(26, 22), cmap='GnBu', title='', annot=False)


# Visualizamos solo las columnas con menos de 200 valores faltantes
missing_values = df[runscribe_columns].isna().sum()
less_than_200_missing = missing_values[missing_values < 200]
columns_less_than_200 = less_than_200_missing.index.tolist()
corr_matrix = df[columns_less_than_200].corr()
plot_heatmap(corr_matrix=corr_matrix, figsize=(26, 22), cmap='GnBu', title='', annot=False)


# Seleccionamos posibles variables de interés
columns_selected = ['Pace_walk', 'Velocidad_walk', 'Step Rate_walk', 'Stride Length_walk', 'Contact Time_walk', 'Flight Time_walk', 'Power_walk', 'Shock_walk', 'Impact Gs_walk', 'Braking Gs_walk', 'Footstrike Type_walk', 'Max Pronation Velocity_walk', 'Total Force Rate_walk']
df[columns_selected].describe()


corr_matrix = df[columns_selected].corr()
plot_heatmap(corr_matrix=corr_matrix, figsize=(10, 8), cmap='GnBu', title='', annot=True)


plot_data_histogram(df[columns_selected], 20, (20, 24), column_wrap=3)


columns_selected_with_gender = columns_selected + ['Sexo']
plot_gender_histogram(df[columns_selected_with_gender])


plot_boxplot(runscribe_walk_df, title="Distribución de los Datos de Runscribe Marcha")


plot_grid_boxplots(df, ['Pace_walk', 'Velocidad_walk', 'Step Rate_walk', 'Stride Length_walk','Contact Time_walk', 'Flight Time_walk'], cols_per_row=3, figsize_per_subplot=(6, 8))


plot_grid_boxplots(df, ['Power_walk', 'Shock_walk', 'Impact Gs_walk', 'Braking Gs_walk'], cols_per_row=2, figsize_per_subplot=(6, 4))


plot_grid_boxplots(df, ['Footstrike Type_walk', 'Max Pronation Velocity_walk', 'Total Force Rate_walk'], cols_per_row=3, figsize_per_subplot=(6, 6))


runscribe_run_df.head()


runscribe_run_df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 897 entries, 0 to 896
Data columns (total 58 columns):
 #   Column                             Non-Null Count  Dtype 
---  ------                             --------------  ----- 
 0    Pace_run                          363 non-null    object
 1   Velocidad_run                      363 non-null    object
 2    Step Rate_run                     363 non-null    object
 3    Stride Length_run                 362 non-null    object
 4    Contact Time_run                  363 non-null    object
 5    Flight Ratio_run                  363 non-null    object
 6    Power_run                         363 non-null    object
 7    Shock_run                         363 non-null    object
 8    Impact Gs_run                     363 non-null    object
 9    Braking Gs_run                    363 non-null    object
 10   Footstrike Type_run               363 non-null    object
 11   Pronation Excursion_run           363 non-null    object
 12   Max Pronation Velocity_run        363 non-null    object
 13   Peak Vertical GRF_run             363 non-null    object
 14   Contact Ratio_run                 363 non-null    object
 15   Flight Time_run                   363 non-null    object
 16   Stride Angle_run                  362 non-null    object
 17   Leg Spring Stiffness_run          362 non-null    object
 18   Vertical Spring Stiffness_run     362 non-null    object
 19   Vertical GRF Rate_run             363 non-null    object
 20   Horizontal GRF Rate_run           362 non-null    object
 21   Swing Force Rate_run              362 non-null    object
 22   VO<sub>2</sub>_run                362 non-null    object
 23   Total Force Rate_run              362 non-null    object
 24   Time (Max Swing->FS)_run          363 non-null    object
 25   Time (FS->MPV)_run                363 non-null    object
 26   Time (MPV->MP)_run                363 non-null    object
 27   Time (MP->TO)_run                 363 non-null    object
 28   Time (Min Swing->Max Swing)_run   363 non-null    object
 29   Time (TO->Min Swing)_run          363 non-null    object
 30   Medio Lateral Gs_run              363 non-null    object
 31   Braking Gs (Amplitude)_run        363 non-null    object
 32   Impact Gs (Amplitude)_run         363 non-null    object
 33   Vertical Speed_run                363 non-null    object
 34   Elevation Gain_run                289 non-null    object
 35   Yaw Excursion_run                 363 non-null    object
 36   Swing Excursion_run               363 non-null    object
 37   Yaw Excursion (MP->TO)_run        363 non-null    object
 38   Yaw Excursion (Swing)_run         363 non-null    object
 39   Max Stance Velocity (FS->MP)_run  359 non-null    object
 40   Max Stance Velocity (MP->TO)_run  359 non-null    object
 41   Step Length_run                   362 non-null    object
 42   Pronation Excursion (MP->TO)_run  363 non-null    object
 43   Stance Excursion (FS->MP)_run     363 non-null    object
 44   Stance Excursion (MP->TO)_run     363 non-null    object
 45   Min Tilt_run                      301 non-null    object
 46   Max Tilt_run                      301 non-null    object
 47   Min Obliquity_run                 301 non-null    object
 48   Max Obliquity_run                 301 non-null    object
 49   Min Rotation_run                  301 non-null    object
 50   Max Rotation_run                  301 non-null    object
 51   Max Tilt Rate_run                 301 non-null    object
 52   Max Obliquity Rate_run            301 non-null    object
 53   Max Rotation Rate_run             301 non-null    object
 54   Vertical Oscillation_run          301 non-null    object
 55   Braking Gs2_run                   363 non-null    object
 56   Impact Gs2_run                    363 non-null    object
 57   Medio Lateral Gs2_run             227 non-null    object
dtypes: object(58)
memory usage: 406.6+ KB


# runscribe_run_df.isna().sum()


missing_percentage = calculate_missing_percentage(runscribe_run_df, runscribe_run_df.columns, visualize=True, figsize=(12,6))

Porcentaje de datos faltantes por columna:
 Medio Lateral Gs2_run: 74.69%
 Elevation Gain_run: 67.78%
 Max Obliquity_run: 66.44%
 Vertical Oscillation_run: 66.44%
 Max Rotation Rate_run: 66.44%
 Max Obliquity Rate_run: 66.44%
 Max Tilt Rate_run: 66.44%
 Max Rotation_run: 66.44%
 Min Rotation_run: 66.44%
 Min Obliquity_run: 66.44%
 Max Tilt_run: 66.44%
 Min Tilt_run: 66.44%
 Max Stance Velocity (FS->MP)_run: 59.98%
 Max Stance Velocity (MP->TO)_run: 59.98%
 Total Force Rate_run: 59.64%
 VO<sub>2</sub>_run: 59.64%
 Leg Spring Stiffness_run: 59.64%
 Step Length_run: 59.64%
 Horizontal GRF Rate_run: 59.64%
 Swing Force Rate_run: 59.64%
 Stride Angle_run: 59.64%
 Vertical Spring Stiffness_run: 59.64%
 Stride Length_run: 59.64%
 Stance Excursion (FS->MP)_run: 59.53%
 Pronation Excursion (MP->TO)_run: 59.53%
 Vertical Speed_run: 59.53%
 Stance Excursion (MP->TO)_run: 59.53%
 Braking Gs2_run: 59.53%
 Yaw Excursion (Swing)_run: 59.53%
 Yaw Excursion (MP->TO)_run: 59.53%
 Swing Excursion_run: 59.53%
 Yaw Excursion_run: 59.53%
 Impact Gs2_run: 59.53%
 Pace_run: 59.53%
 Impact Gs (Amplitude)_run: 59.53%
 Braking Gs (Amplitude)_run: 59.53%
 Step Rate_run: 59.53%
 Contact Time_run: 59.53%
 Flight Ratio_run: 59.53%
 Power_run: 59.53%
 Shock_run: 59.53%
 Impact Gs_run: 59.53%
 Braking Gs_run: 59.53%
 Footstrike Type_run: 59.53%
 Pronation Excursion_run: 59.53%
 Max Pronation Velocity_run: 59.53%
 Peak Vertical GRF_run: 59.53%
 Contact Ratio_run: 59.53%
 Flight Time_run: 59.53%
 Vertical GRF Rate_run: 59.53%
 Time (Max Swing->FS)_run: 59.53%
 Time (FS->MPV)_run: 59.53%
 Time (MPV->MP)_run: 59.53%
 Time (MP->TO)_run: 59.53%
 Time (Min Swing->Max Swing)_run: 59.53%
Velocidad_run: 59.53%
 Medio Lateral Gs_run: 59.53%
 Time (TO->Min Swing)_run: 59.53%


# Eliminar espacios en nombres de columnas
runscribe_columns = [col.strip() for col in runscribe_run_df.columns]
df.columns = df.columns.str.strip()

# Convertir columnas a numérico
for column in runscribe_columns:
    if column in df.columns:
        df[column] = pd.to_numeric(df[column], errors='coerce')
        
# Seleccionamos posibles variables de interés
columns_selected = ['Pace_run', 'Velocidad_run', 'Step Rate_run', 'Stride Length_run', 'Contact Time_run', 'Flight Time_run', 'Power_run', 'Shock_run', 'Impact Gs_run', 'Braking Gs_run', 'Footstrike Type_run', 'Max Pronation Velocity_run', 'Total Force Rate_run']
df[columns_selected].describe()


plot_boxplot(runscribe_run_df, title="Distribución de los Datos de Runscribe Carrera")


plot_grid_boxplots(df, ['Pace_run', 'Velocidad_run', 'Step Rate_run', 'Stride Length_run','Contact Time_run', 'Flight Time_run'], cols_per_row=3, figsize_per_subplot=(6, 8))


plot_grid_boxplots(df, ['Power_run', 'Shock_run', 'Impact Gs_run', 'Braking Gs_run'], cols_per_row=2, figsize_per_subplot=(6, 4))


plot_grid_boxplots(df, ['Footstrike Type_run', 'Max Pronation Velocity_run', 'Total Force Rate_run'], cols_per_row=3, figsize_per_subplot=(6, 6))


corr_matrix = df[columns_selected].corr()
plot_heatmap(corr_matrix=corr_matrix, figsize=(10, 8), cmap='GnBu', title='', annot=True)


columns_selected_with_gender = columns_selected + ['Sexo']
plot_gender_histogram(df[columns_selected_with_gender])


ib_resport2_df.head()


missing_values = ib_resport2_df.isna().sum()

more_than_800 = missing_values[missing_values > 800]
between_600_and_800 = missing_values[(missing_values > 600) & (missing_values <= 800)]
between_400_and_600 = missing_values[(missing_values > 400) & (missing_values <= 600)]
less_than_400 = missing_values[missing_values < 400]


print("Columnas con más de 800 valores faltantes:", more_than_800.index.tolist())

Columnas con más de 800 valores faltantes: ['Rot Ext Cadera Izquierda', 'Rot Ext Cadera Derecha', 'Rot Int Cadera Derecha', 'Rot Int Cadera Izquierda', 'Dismetría', 'POPLITEO CL Neutra', 'Valgo-Varo_I', 'Pelvis AV', 'Rot_Pelvis_Izda', 'EIAS_Down_Izda', 'Hiperlordosis cervical', 'Hipercifosis torácica', 'Hiperlordosis lumbar', 'Antepulsión torax', 'Antepulsión pelvis', 'Retropulsion Pelvis', 'Rectificación lumbar', 'Retropulsion Torax', 'Dorso plano', 'Rectificación Cervical', 'GAZE Elevada', 'GAZE Disminuida', 'Retrognatismo', 'Prognatismo', 'Inclinación izquierda cabeza', 'Escoliosis Cervical Izquierda', 'Escoliosis Cervical Derecha', 'Escoliosis Dorsal Derecha', 'Escoliosis Dorsal Izquierda', 'Escoliosis Lumbar Izquierda', 'Escoliosis Lumbar Derecha', 'Escoliosis Rotación toracica derecha', 'Escoliosis Rotación toracica izquierda', 'Rotación izquierda cabeza', 'Rotación derecha cabeza', 'Rotación derecha torax', 'Rotación izquierda torax', 'Antepulsion Cabeza', 'Inclinación derecha cabeza', 'Lateropulsión cabeza derecha', 'Lateropulsión cabeza izquierda', 'Lateropulsión torax izquierda', 'Lateropulsión pelvis  derecha', 'Lateropulsión pelvis  izquierda', 'EIPS_Down_Izda', 'EIPS_Down_Dcha', 'EIAS_Down_Dcha', 'Lateropulsión torax derecha', 'Descenso hombro izquierdo', 'Elevación Hombro Izquierdo', 'Elevación hombro derecho', 'Descenso hombro derecho', 'Retropulsión Cabeza', 'Impresión Diagnóstica de función', 'Pruebas complementarias', 'Escaneo 25%', 'Escaneo 50%', 'Escaneo 75%', 'Escaneo 100%', 'TPU', 'TPU Run', 'PA12 Anterocapital', 'PA12 Retro', 'Pelvis Rot Dcha', 'Videoconferencia con informe', 'Telemetría', 'Solo informe', 'entrega y revisiones']


print("Columnas con entre 600 y 800 valores faltantes:", between_600_and_800.index.tolist())

Columnas con entre 600 y 800 valores faltantes: ['Iliaco Izquierdo AV', 'Iliaco Izquierdo RV', 'Iliaco Dcho AV', 'Iliaco Dcho RV', 'EIAS_Up_Izda', 'EIAS_Up_Dcha', 'EIPS_Up_I', 'EIPS_Up_Dcha', 'Calzado', 'Escaneo 0%', 'Elementos en taller', 'Fisioterapia y ejercicios', 'Llamar cuando lleguen plantillas', 'Elementos en Diseño']


print("Columnas con entre 400 y 600 valores faltantes:", between_400_and_600.index.tolist())

Columnas con entre 400 y 600 valores faltantes: ['Iliaco Izquierdo Normal', 'Iliaco Dcho Normal', 'Lunge Izq', 'Lunge Dcho']


print("Columnas con menos de 400 valores faltantes:", less_than_400.index.tolist())

Columnas con menos de 400 valores faltantes: ['M1 Hipermovil', 'TF Normal', 'TT Normal', 'AP Adducto', 'Thomas Psoas', 'Thomas RF', 'Thomas TFL', 'Ober', 'AP_Varo', 'AP_Neutro', 'AP_Valgo', 'RP_Varo', 'RP_Neutro', 'RP_Valgo', 'Arco normal', 'Arco Aplanado', 'Arco elevado', 'PIe cavo posterior', 'PIe cavo anterior', 'M1 DFx', 'M5 Hipermovil', 'M5 Dfx', 'Arco transverso disminuido', 'M1 PFx', 'Cavo Col medial', 'M5 PFx', 'Cavo col Lateral', 'Arco transverso aumentado', 'MTF1 Normal', 'HLF', 'HL', 'HR', 'HAV', 'Index Minus', 'Index plus-minus', 'Index Plus', 'Col lat corta', 'Col lat larga', 'Pie griego', 'Pie cuadrado', 'Pie egipcio', 'TFI', 'TFE', 'TTI', 'TTE', 'AP Normal ABD-AD', 'AP Abducto', 'Pierna Corta', 'Ober Friccion', 'Popliteo', 'PNCA AP Varo', 'PNCA AP Neutro', 'PNCA AP Valgo', 'PNCA RP Varo', 'PNCA RP Neutro', 'PNCA RP Valgo', 'T_Hintermann', 'Jack Normal', 'Jack R aumentada', 'Jack No reconstruye', 'Jack R disminuida', 'Pron max Normal', 'Pronación no disponible', '2Heel Raise', 'Heel Raise', 'FPI_1_I', 'FPI_1_D', 'FPI_2_I', 'FPI_2_D', 'FPI_3_I', 'FPI_3_D', 'FPI_4_I', 'FPI_4_D', 'FPI_5_I', 'FPI_5_D', 'FPI_6_I', 'FPI_6_D', 'FPI_Total_I', 'FPI_Total_D', 'Tibia vara proximal', 'Tibia Vara distal', 'Rotula divergente', 'Rotula descendida', 'Rotula convergente', 'Rotula ascencida', 'Genu valgo', 'Genu normal', 'Genu varo', 'Genu recurvatum', 'Genu neutro', 'Genu flexum', 'Lunge']


# print(less_than_400) # La mayoría de las columnas tiene 35 valores faltantes, alguna con 36


missing_percentage = calculate_missing_percentage(ib_resport2_df, ib_resport2_df.columns, visualize=False, figsize=(12,6))

Porcentaje de datos faltantes por columna:
Rotación derecha cabeza: 100.00%
Escoliosis Cervical Derecha: 100.00%
Inclinación derecha cabeza: 100.00%
Lateropulsión cabeza derecha: 100.00%
Prognatismo: 100.00%
Retrognatismo: 100.00%
Lateropulsión pelvis  derecha: 100.00%
GAZE Elevada: 100.00%
Escoliosis Cervical Izquierda: 99.89%
GAZE Disminuida: 99.89%
Escaneo 75%: 99.89%
Inclinación izquierda cabeza: 99.89%
POPLITEO CL Neutra: 99.89%
Lateropulsión cabeza izquierda: 99.89%
Lateropulsión pelvis  izquierda: 99.67%
Rotación izquierda cabeza: 99.67%
Elevación Hombro Izquierdo: 99.55%
Retropulsión Cabeza: 99.55%
EIPS_Down_Izda: 99.33%
Escaneo 100%: 99.33%
Rectificación Cervical: 99.33%
Retropulsion Pelvis: 99.33%
Descenso hombro izquierdo: 99.33%
Escoliosis Dorsal Izquierda: 99.22%
Rot Int Cadera Derecha: 99.11%
Rot Ext Cadera Derecha: 99.11%
Rotación izquierda torax: 99.11%
Rot Int Cadera Izquierda: 99.11%
Escoliosis Lumbar Izquierda: 99.11%
Antepulsión torax: 99.11%
Pelvis AV: 99.11%
Lateropulsión torax derecha: 99.00%
Elevación hombro derecho: 98.77%
EIAS_Down_Dcha: 98.66%
Valgo-Varo_I: 98.55%
Hiperlordosis cervical: 98.44%
Rot Ext Cadera Izquierda: 98.44%
Rotación derecha torax: 98.33%
Escaneo 50%: 98.33%
TPU Run: 98.22%
Escoliosis Rotación toracica izquierda: 97.88%
Hipercifosis torácica: 97.88%
Antepulsión pelvis: 97.55%
Videoconferencia con informe: 97.44%
Escoliosis Rotación toracica derecha: 97.44%
Escoliosis Lumbar Derecha: 97.10%
entrega y revisiones: 96.99%
Descenso hombro derecho: 96.99%
Antepulsion Cabeza: 96.99%
Retropulsion Torax: 96.88%
Dorso plano: 96.66%
Escoliosis Dorsal Derecha: 96.43%
Pelvis Rot Dcha: 96.32%
EIPS_Down_Dcha: 96.32%
Lateropulsión torax izquierda: 95.88%
Escaneo 25%: 95.32%
Dismetría: 94.31%
EIAS_Down_Izda: 94.09%
Pruebas complementarias: 93.53%
Hiperlordosis lumbar: 93.42%
PA12 Retro: 93.09%
Solo informe: 92.75%
Rot_Pelvis_Izda: 92.42%
Telemetría: 91.53%
Rectificación lumbar: 91.30%
TPU: 91.08%
PA12 Anterocapital: 90.52%
Impresión Diagnóstica de función: 90.08%
EIAS_Up_Izda: 88.07%
Fisioterapia y ejercicios: 87.85%
EIPS_Up_Dcha: 87.51%
Iliaco Izquierdo AV: 86.18%
Elementos en Diseño: 85.84%
Calzado: 85.06%
Iliaco Dcho AV: 84.73%
EIPS_Up_I: 84.62%
Llamar cuando lleguen plantillas: 83.84%
Escaneo 0%: 82.39%
Elementos en taller: 81.16%
EIAS_Up_Dcha: 76.37%
Iliaco Dcho RV: 75.70%
Iliaco Izquierdo RV: 74.92%
Lunge Izq: 66.78%
Lunge Dcho: 66.44%
Iliaco Dcho Normal: 50.95%
Iliaco Izquierdo Normal: 50.17%
FPI_5_I: 4.01%
FPI_6_D: 4.01%
FPI_3_I: 4.01%
FPI_1_I: 4.01%
Genu flexum: 3.90%
Genu recurvatum: 3.90%
Lunge: 3.90%
Genu neutro: 3.90%
M1 Hipermovil: 3.90%
Genu varo: 3.90%
M5 Dfx: 3.90%
M1 PFx: 3.90%
Cavo Col medial: 3.90%
M5 PFx: 3.90%
Cavo col Lateral: 3.90%
Arco transverso aumentado: 3.90%
MTF1 Normal: 3.90%
HLF: 3.90%
HL: 3.90%
HR: 3.90%
HAV: 3.90%
Index Minus: 3.90%
Index plus-minus: 3.90%
Index Plus: 3.90%
Col lat corta: 3.90%
Col lat larga: 3.90%
Pie griego: 3.90%
Pie cuadrado: 3.90%
Arco transverso disminuido: 3.90%
M5 Hipermovil: 3.90%
TFI: 3.90%
M1 DFx: 3.90%
TT Normal: 3.90%
AP Adducto: 3.90%
Thomas Psoas: 3.90%
Thomas RF: 3.90%
Thomas TFL: 3.90%
Ober: 3.90%
AP_Varo: 3.90%
AP_Neutro: 3.90%
AP_Valgo: 3.90%
RP_Varo: 3.90%
RP_Neutro: 3.90%
RP_Valgo: 3.90%
Arco normal: 3.90%
Arco Aplanado: 3.90%
Arco elevado: 3.90%
PIe cavo posterior: 3.90%
PIe cavo anterior: 3.90%
Pie egipcio: 3.90%
TFE: 3.90%
Genu normal: 3.90%
2Heel Raise: 3.90%
FPI_1_D: 3.90%
FPI_2_I: 3.90%
FPI_2_D: 3.90%
FPI_3_D: 3.90%
FPI_4_I: 3.90%
FPI_4_D: 3.90%
FPI_5_D: 3.90%
FPI_6_I: 3.90%
FPI_Total_I: 3.90%
FPI_Total_D: 3.90%
Tibia vara proximal: 3.90%
Tibia Vara distal: 3.90%
Rotula divergente: 3.90%
Rotula descendida: 3.90%
TF Normal: 3.90%
Rotula ascencida: 3.90%
Genu valgo: 3.90%
Heel Raise: 3.90%
Pronación no disponible: 3.90%
TTI: 3.90%
Pron max Normal: 3.90%
TTE: 3.90%
AP Normal ABD-AD: 3.90%
AP Abducto: 3.90%
Pierna Corta: 3.90%
Ober Friccion: 3.90%
Popliteo: 3.90%
PNCA AP Varo: 3.90%
PNCA AP Neutro: 3.90%
PNCA AP Valgo: 3.90%
PNCA RP Varo: 3.90%
PNCA RP Neutro: 3.90%
PNCA RP Valgo: 3.90%
T_Hintermann: 3.90%
Jack Normal: 3.90%
Jack R aumentada: 3.90%
Jack No reconstruye: 3.90%
Jack R disminuida: 3.90%
Rotula convergente: 3.90%


column_names = ['TF Normal', 'TT Normal', 'Thomas Psoas', 'Thomas RF', 'Thomas TFL', 'Ober']
plot_categorical_columns(ib_resport2_df, column_names, 3, ylabel='')


columns = ['TF Normal', 'TT Normal', 'Thomas Psoas', 'Thomas RF', 'Thomas TFL', 'Ober', 'TFI', 'TFE', 'TTI', 'TTE']
df[columns].describe()


plot_categorical_columns(ib_resport2_df, ['TFI', 'TFE', 'TTI', 'TTE'], 2, ylabel='')


# Análisis bivariado
check_exclusivity(df, 'TF Normal', 'TFI', 'TFE')

Resumen de exclusividad entre TF Normal, TFI y TFE:
False    897
Name: count, dtype: int64


stacked_barplot_excluding_no(
    data=df, 
    columns=['TFI', 'TFE', 'TTI', 'TTE'], 
    hue='Sexo', 
    title='Distribución por Sexo Excluyendo No',
    nrows=2,
    ncols=2,
    figsize=(15, 10)
)


# Calcula el número total de hombres y mujeres en la muestra
total_hombres = df[df['Sexo'] == 'Hombre'].shape[0]
total_mujeres = df[df['Sexo'] == 'Mujer'].shape[0]

# Calcula la proporción de TFI para hombres y mujeres
proporcion_TFI_hombres = (df[(df['Sexo'] == 'Hombre') & (df['TFI'] != 'No')].shape[0] / total_hombres) if total_hombres != 0 else 0
proporcion_TFI_mujeres = (df[(df['Sexo'] == 'Mujer') & (df['TFI'] != 'No')].shape[0] / total_mujeres) if total_mujeres != 0 else 0

# Crea una tabla de contingencia para la prueba de chi-cuadrado
tabla_contingencia = pd.crosstab(df['Sexo'], df['TFI'])
tabla_contingencia = tabla_contingencia[['Izquierda', 'Derecha', 'Bilateral']]

# Realiza la prueba de chi-cuadrado
chi2, p, dof, ex = chi2_contingency(tabla_contingencia, correction=False)

# Verifica si las diferencias son significativas
print("Chi-cuadrado:", chi2)
print("p-valor:", p)

# Si p < 0.05, las diferencias son estadísticamente significativas

Chi-cuadrado: 7.395955429899396
p-valor: 0.02477357507752944


plot_categorical_columns(ib_resport2_df, ['AP Adducto', 'AP_Varo', 'AP_Neutro', 'AP_Valgo'], 2, ylabel='')


plot_categorical_columns(ib_resport2_df, ['RP_Varo', 'RP_Neutro', 'RP_Valgo'], 3, ylabel='')


column_names = ['Arco normal', 'Arco Aplanado', 'Arco elevado', 'PIe cavo posterior', 'PIe cavo anterior', 'M1 DFx', 'M5 Hipermovil', 'M5 Dfx', 'Arco transverso disminuido', 'M1 PFx', 'Cavo Col medial', 'M5 PFx', 'Cavo col Lateral', 'Arco transverso aumentado', 'M1 Hipermovil', 'MTF1 Normal', 'HLF', 'HL', 'HR', 'HAV', 'Index Minus', 'Index plus-minus', 'Index Plus', 'Col lat corta', 'Col lat larga']
plot_categorical_columns(ib_resport2_df, column_names, 4, ylabel='')


plot_categorical_columns(ib_resport2_df, ['Pie griego', 'Pie cuadrado', 'Pie egipcio'], 3, ylabel='')


column_names = ['FPI_1_I', 'FPI_1_D', 'FPI_2_I', 'FPI_2_D', 'FPI_3_I', 'FPI_3_D', 'FPI_4_I', 'FPI_4_D', 'FPI_5_I', 'FPI_5_D', 'FPI_6_I', 'FPI_6_D']
plot_numerical_columns(ib_resport2_df, column_names, 4, ylabel='')


column_names = ['FPI_Total_I', 'FPI_Total_D']        
plot_numerical_columns(ib_resport2_df, column_names, 2, ylabel='')


df[['FPI_1_I', 'FPI_1_D', 'FPI_2_I', 'FPI_2_D',
    'FPI_3_I', 'FPI_3_D', 'FPI_4_I', 'FPI_4_D',
    'FPI_5_I', 'FPI_5_D', 'FPI_6_I', 'FPI_6_D',
    'FPI_Total_I', 'FPI_Total_D']].describe()


plot_boxplot(ib_resport2_df, title="Distribución de Características Clínicas")


corr_matrix = df[['Peso', 'Altura', 'Footstrike Type_run', 'Max Pronation Velocity_run', 'FPI_1_I', 'FPI_1_D', 'FPI_2_I', 'FPI_2_D', 'FPI_3_I', 'FPI_3_D', 'FPI_4_I', 'FPI_4_D', 'FPI_5_I', 'FPI_5_D', 'FPI_6_I', 'FPI_6_D', 'FPI_Total_I', 'FPI_Total_D']].corr()
plot_heatmap(corr_matrix=corr_matrix, figsize=(14, 12), cmap='GnBu', title='', annot=True)


column_names = ['Tibia vara proximal', 'Tibia Vara distal', 'Rotula divergente', 'Rotula descendida', 'Rotula convergente', 'Rotula ascencida', 'Genu valgo', 'Genu normal', 'Genu varo', 'Genu recurvatum', 'Genu neutro', 'Genu flexum', 'Lunge']
plot_categorical_columns(ib_resport2_df, column_names, 3, ylabel='')


column_names = ['Pierna Corta', 'Ober Friccion', 'Popliteo', 'AP Normal ABD-AD', 'AP Abducto']
plot_categorical_columns(ib_resport2_df, column_names, 3, ylabel='')


column_names = ['PNCA AP Varo', 'PNCA AP Neutro', 'PNCA AP Valgo', 'PNCA RP Varo', 'PNCA RP Neutro', 'PNCA RP Valgo']
plot_categorical_columns(ib_resport2_df, column_names, 3, ylabel='')


column_names = ['T_Hintermann', 'Jack Normal', 'Jack R aumentada', 'Jack No reconstruye', 'Jack R disminuida', 'Pron max Normal', 'Pronación no disponible', '2Heel Raise', 'Heel Raise']
plot_categorical_columns(ib_resport2_df, column_names, 3, ylabel='')

	Pace_walk	Velocidad_walk	Step Rate_walk	Stride Length_walk	Contact Time_walk	Flight Ratio_walk	Power_walk	Shock_walk	Impact Gs_walk	Braking Gs_walk	Footstrike Type_walk	Pronation Excursion_walk	Max Pronation Velocity_walk	Peak Vertical GRF_walk	Contact Ratio_walk	Flight Time_walk	Stride Angle_walk	Leg Spring Stiffness_walk	Vertical Spring Stiffness_walk	Vertical GRF Rate_walk	Horizontal GRF Rate_walk	Swing Force Rate_walk	VO<sub>2</sub>_walk	Total Force Rate_walk	Time (Max Swing->FS)_walk	Time (FS->MPV)_walk	Time (MPV->MP)_walk	Time (MP->TO)_walk	Time (Min Swing->Max Swing)_walk	Time (TO->Min Swing)_walk	Medio Lateral Gs_walk	Braking Gs (Amplitude)_walk	Impact Gs (Amplitude)_walk	Vertical Speed_walk	Elevation Gain_walk	Yaw Excursion_walk	Swing Excursion_walk	Yaw Excursion (MP->TO)_walk	Yaw Excursion (Swing)_walk	Max Stance Velocity (FS->MP)_walk	Max Stance Velocity (MP->TO)_walk	Step Length_walk	Pronation Excursion (MP->TO)_walk	Stance Excursion (FS->MP)_walk	Stance Excursion (MP->TO)_walk	Min Tilt_walk	Max Tilt_walk	Min Obliquity_walk	Max Obliquity_walk	Min Rotation_walk	Max Rotation_walk	Max Tilt Rate_walk	Max Obliquity Rate_walk	Max Rotation Rate_walk	Vertical Oscillation_walk	Braking Gs2_walk	Impact Gs2_walk	Medio Lateral Gs2_walk
count	755.000000	755	755.00000	755.0000	755.000000	755	755.000000	755.000000	755.000000	755.000000	755.000000	755.000000	755.000000	755.000000	755.000000	755.000000	755.000000	755	755	755.000000	749.00000	749.00000	749.000000	749.000000	755.000000	755.00000	755.000000	755.000000	755.000000	755.000000	755.000000	754.000000	754.000000	755	718.000000	755.000000	755.000000	755.00000	755.00000	755.000000	755.000000	755.0000	755.000000	755.000000	755.000000	652.000000	652.000000	652.000000	652.000000	652.000000	652.000000	652.000000	652.000000	652.000000	652.00000	755.000000	755.000000	536.000000
unique	600.000000	6	600.00000	579.0000	599.000000	15	596.000000	600.000000	600.000000	600.000000	575.000000	600.000000	600.000000	600.000000	600.000000	592.000000	600.000000	447	32	600.000000	595.00000	595.00000	595.000000	595.000000	599.000000	599.00000	599.000000	599.000000	592.000000	589.000000	600.000000	585.000000	584.000000	268	571.000000	600.000000	600.000000	600.00000	600.00000	600.000000	600.000000	563.0000	600.000000	600.000000	600.000000	517.000000	517.000000	517.000000	517.000000	517.000000	517.000000	517.000000	517.000000	517.000000	517.00000	600.000000	600.000000	418.000000
top	1.215793	5	115.80159	1.4895	667.677966	0	131.611111	5.316822	3.911285	3.549592	9.666667	-8.276234	168.049441	1.104522	128.850058	-149.181818	9.919939	0	0	14.695046	2.83972	0.12123	8.495488	29.526575	81.210526	10.59322	70.237288	586.847458	326.836364	40.109091	0.336529	1.242188	1.583333	0	68.416667	1.846944	75.944398	2.21691	3.64302	314.350714	556.937527	0.7269	-9.895929	14.732268	71.659446	-3.213084	3.462515	-7.632116	5.812222	-2.200865	3.633538	97.660682	75.371755	40.315384	26.53964	3.549592	3.911285	0.331827
freq	4.000000	727	4.00000	6.0000	4.000000	738	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	216	718	4.000000	4.00000	4.00000	4.000000	4.000000	4.000000	4.00000	4.000000	4.000000	4.000000	4.000000	4.000000	6.000000	5.000000	307	4.000000	4.000000	4.000000	4.00000	4.00000	4.000000	4.000000	5.0000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.00000	4.000000	4.000000	4.000000

	Pace_run	Velocidad_run	Step Rate_run	Stride Length_run	Contact Time_run	Flight Ratio_run	Power_run	Shock_run	Impact Gs_run	Braking Gs_run	Footstrike Type_run	Pronation Excursion_run	Max Pronation Velocity_run	Peak Vertical GRF_run	Contact Ratio_run	Flight Time_run	Stride Angle_run	Leg Spring Stiffness_run	Vertical Spring Stiffness_run	Vertical GRF Rate_run	Horizontal GRF Rate_run	Swing Force Rate_run	VO<sub>2</sub>_run	Total Force Rate_run	Time (Max Swing->FS)_run	Time (FS->MPV)_run	Time (MPV->MP)_run	Time (MP->TO)_run	Time (Min Swing->Max Swing)_run	Time (TO->Min Swing)_run	Medio Lateral Gs_run	Braking Gs (Amplitude)_run	Impact Gs (Amplitude)_run	Vertical Speed_run	Elevation Gain_run	Yaw Excursion_run	Swing Excursion_run	Yaw Excursion (MP->TO)_run	Yaw Excursion (Swing)_run	Max Stance Velocity (FS->MP)_run	Max Stance Velocity (MP->TO)_run	Step Length_run	Pronation Excursion (MP->TO)_run	Stance Excursion (FS->MP)_run	Stance Excursion (MP->TO)_run	Min Tilt_run	Max Tilt_run	Min Obliquity_run	Max Obliquity_run	Min Rotation_run	Max Rotation_run	Max Tilt Rate_run	Max Obliquity Rate_run	Max Rotation Rate_run	Vertical Oscillation_run	Braking Gs2_run	Impact Gs2_run	Medio Lateral Gs2_run
count	363.000000	363	363.000000	362.000000	363.000000	363.00000	363.000000	363.000000	363.000000	363.000000	363	363.000000	363.000000	363.000000	363.000000	363.000000	362.000000	362.000000	362.000000	363.000000	362.000000	362.000000	362.000000	362.000000	363.000000	363.000000	363.000000	363.000000	363.000000	363.000000	363.000000	363.00000	363.000000	363.000000	289.000000	363.000000	363.000000	363.000000	363.000000	359.00000	359.000000	362.00000	363.00000	363.000000	363.000000	301.000000	301.000000	301.000000	301.000000	301.000000	301.000000	301.000000	301.000000	301.00000	301.000000	363.000000	363.000000	227.00000
unique	301.000000	12	302.000000	301.000000	302.000000	300.00000	299.000000	302.000000	302.000000	302.000000	297	302.000000	302.000000	302.000000	302.000000	302.000000	301.000000	301.000000	301.000000	302.000000	301.000000	301.000000	301.000000	301.000000	300.000000	300.000000	302.000000	302.000000	302.000000	302.000000	302.000000	302.00000	302.000000	302.000000	246.000000	302.000000	302.000000	302.000000	302.000000	298.00000	298.000000	301.00000	302.00000	302.000000	302.000000	248.000000	248.000000	248.000000	248.000000	248.000000	248.000000	248.000000	248.000000	248.00000	248.000000	302.000000	302.000000	184.00000
top	2.452213	10	179.609895	2.205985	281.890244	15.50348	144.764706	9.865884	7.105654	6.774828	16	-16.660265	734.121932	2.740939	84.383898	51.743902	0.685637	9.013265	23.887005	34.803549	6.494644	1.622743	40.847963	109.464473	125.768293	23.941176	49.914634	215.804878	248.378049	111.963415	0.287637	7.39939	8.504573	-2.045785	-62.704225	5.513733	88.172466	9.604051	17.898263	603.78274	607.748589	1.10299	-2.07509	13.877677	60.034118	-23.034934	17.991371	-7.639719	6.530156	-7.351302	11.499093	1092.937872	513.520359	801.33344	7.813344	6.774828	7.105654	3.22418
freq	4.000000	127	4.000000	4.000000	4.000000	4.00000	4.000000	4.000000	4.000000	4.000000	7	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.00000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.00000	4.000000	4.00000	4.00000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.000000	4.00000	4.000000	4.000000	4.000000	4.00000

	Edad	Altura	Peso	Nº de calzado
count	880.0	897.000000	897.000000	897.000000
mean	38.164773	170.663545	69.091416	41.178149
std	15.993994	12.514888	15.884787	3.123148
min	3.0	104.000000	15.000000	25.000000
25%	27.0	165.000000	59.000000	39.000000
50%	38.0	172.000000	70.000000	42.000000
75%	48.0	178.000000	79.000000	43.000000
max	85.0	197.000000	135.000000	49.000000

	Pace_walk	Velocidad_walk	Step Rate_walk	Stride Length_walk	Contact Time_walk	Power_walk	Shock_walk	Impact Gs_walk	Braking Gs_walk	Footstrike Type_walk	Pronation Excursion_walk	Max Pronation Velocity_walk	Peak Vertical GRF_walk	Contact Ratio_walk	Flight Time_walk	Stride Angle_walk	Leg Spring Stiffness_walk	Vertical GRF Rate_walk	Horizontal GRF Rate_walk	Swing Force Rate_walk	VO<sub>2</sub>_walk	Total Force Rate_walk	Time (Max Swing->FS)_walk	Time (FS->MPV)_walk	Time (MPV->MP)_walk	Time (MP->TO)_walk	Time (Min Swing->Max Swing)_walk	Time (TO->Min Swing)_walk	Medio Lateral Gs_walk	Braking Gs (Amplitude)_walk	Impact Gs (Amplitude)_walk	Vertical Speed_walk	Elevation Gain_walk	Yaw Excursion_walk	Swing Excursion_walk	Yaw Excursion (MP->TO)_walk	Yaw Excursion (Swing)_walk	Max Stance Velocity (FS->MP)_walk	Max Stance Velocity (MP->TO)_walk	Step Length_walk	Pronation Excursion (MP->TO)_walk	Stance Excursion (FS->MP)_walk	Stance Excursion (MP->TO)_walk	Min Tilt_walk	Max Tilt_walk	Min Obliquity_walk	Max Obliquity_walk	Min Rotation_walk	Max Rotation_walk	Max Tilt Rate_walk	Max Obliquity Rate_walk	Max Rotation Rate_walk	Vertical Oscillation_walk	Braking Gs2_walk	Impact Gs2_walk	Medio Lateral Gs2_walk
0	1.2916	5	108.456898	1.4267	705.166667	95.981481	3.566339	2.310324	2.610172	6.314815	-11.106498	177.510574	1.139044	127.44998	-152.018519	9.059576	0.453526	13.915741	2.530533	0.030474	6.644113	24.95212	192.62963	19.203704	83.351852	602.611111	360.574074	21.62963	0.514759	2.155093	2.3125	0	16.300926	1.901933	65.427959	1.383976	4.583635	296.292913	484.714089	0.7133	-14.72513	19.445907	62.315404	-5.298624	4.002906	-3.565694	5.716446	-3.094924	2.38832	74.536365	49.889465	93.90372	30.344643	2.610172	2.310324	NaN
1	1.370079	5	114.767847	1.4312	649.517241	136.534483	3.119538	1.900867	2.387259	6.948276	-8.176466	109.542317	1.222143	124.224798	-126.896552	6.403624	48.715603	15.115353	2.673316	0.159367	8.925714	30.589598	121.245614	42.37931	78.62069	528.517241	339.724138	34.793103	0.637391	1.323276	1.306034	-0.457	14	0.185619	63.307126	2.467419	3.750284	241.020467	532.549636	0.7156	0.962024	17.340533	55.030184	-4.251966	2.401577	-3.402549	3.958606	-3.100207	4.067394	59.523014	34.808347	45.384226	23.901517	2.387259	1.900867	NaN
2	1.371909	5	100.149777	1.6437	775.744681	100.787234	2.368494	1.597828	1.558757	10.680851	-4.411249	144.662411	1.091726	129.442638	-176.595745	10.637696	7.981094	12.657472	2.785581	0.29757	9.790736	32.726926	106.680851	5.255319	37.106383	733.382979	370.574468	27	0.537651	1.611702	1.25	-10.9844	3.597826	0.924553	82.060187	3.086117	8.109723	283.071966	564.581687	0.8218	0.192496	8.006323	77.799223	-3.718124	4.023933	-3.135851	3.355565	-3.749373	2.686873	31.332204	40.367898	29.675547	19.19568	1.558757	1.597828	NaN
3	1.318286	5	103.976334	1.5381	733.48	101.42	2.667928	1.708754	1.985392	11.18	-4.351264	123.764646	1.149516	127.091716	-156.42	8.991884	598.235028	13.385676	2.615824	0.145732	7.967042	28.22087	148.78	15.72	31.96	685.8	358.94	38.8	0.841172	1.4325	1.74	-22.5	3.038462	-0.290622	91.4922	5.121574	15.046578	264.414068	466.721194	0.769	6.506884	7.471882	81.783758	-4.479488	3.6198	-3.219069	4.110612	-2.138488	2.685047	30.340461	56.140367	49.883676	37.758259	1.985392	1.708754	NaN
4	1.362836	5	99.06266	1.6541	812.64	124.38	3.610964	2.665554	2.3693	7.9	-10.180634	271.162108	0.981864	134.149908	-206.9	14.254498	0	12.07416	2.799688	0.352276	10.241722	33.841236	94.1	26.14	37.64	748.86	353.04	20.22	0.397274	1.91875	2.19875	-1.9805	-0.005	4.518138	91.66532	-0.047806	12.018136	378.706056	581.435544	0.827	-6.480006	14.944068	89.849386	-4.195328	3.364278	-3.856456	6.265153	-3.789078	3.724616	35.989772	44.612887	47.443397	16.321566	2.3693	2.665554	NaN

	Pace_walk	Velocidad_walk	Step Rate_walk	Stride Length_walk	Contact Time_walk	Flight Time_walk	Power_walk	Shock_walk	Impact Gs_walk	Braking Gs_walk	Footstrike Type_walk	Max Pronation Velocity_walk	Total Force Rate_walk
count	755.000000	755.000000	755.000000	755.000000	755.000000	755.000000	755.000000	755.000000	755.000000	755.000000	755.000000	755.000000	749.000000
mean	1.348776	4.973245	111.432976	1.455166	687.272264	-144.547469	125.350629	2.328895	1.552843	1.641329	8.265321	164.955578	22.033040
std	0.155352	0.276103	7.409574	0.163897	52.610788	35.850017	74.884312	0.879755	0.667430	0.651110	2.592603	73.611686	7.946033
min	0.083356	2.000000	85.079444	0.080300	298.187500	-273.675000	0.000000	0.749673	0.445394	0.586561	1.250000	0.000000	5.951576
25%	1.360833	5.000000	107.177189	1.406050	660.163693	-158.489641	85.603231	1.746109	1.132492	1.209095	6.138736	117.562723	14.861188
50%	1.370596	5.000000	110.897415	1.473000	686.222222	-147.215116	111.017857	2.096426	1.366569	1.509082	8.537037	153.635847	20.207560
75%	1.379297	5.000000	114.977203	1.533000	714.692194	-133.720247	145.863942	2.665595	1.812780	1.887925	10.334987	199.379041	27.909278
max	2.793561	8.000000	165.522552	2.325800	938.800000	506.486486	746.627451	8.328855	6.403026	5.236189	15.403509	738.698327	70.653675

	Perfil	Perfil.1	Perfil.2	Perfil.3	Perfil.4	Perfil.5	Perfil.6	Perfil.7	Perfil.8	Perfil.9	Patologia 1	Patologia 1.1	Patologia 1.2	Patologia 1.3	Patologia 1.4	iB_Resport	iB_Resport.1	iB_Resport.2	iB_Resport.3	iB_Resport.4	iB_Resport.5	iB_Resport.6	iB_Resport.7	iB_Resport.8	iB_Resport.9	iB_Resport.10	iB_Resport.11	iB_Resport.12	iB_Resport.13	iB_Resport.14	iB_Resport.15	iB_Resport.16	iB_Resport.17	iB_Resport.18	iB_Resport.19	RUNSCRIBE_WALK	RUNSCRIBE_WALK.1	RUNSCRIBE_WALK.2	RUNSCRIBE_WALK.3	RUNSCRIBE_WALK.4	RUNSCRIBE_WALK.5	RUNSCRIBE_WALK.6	RUNSCRIBE_WALK.7	RUNSCRIBE_WALK.8	RUNSCRIBE_WALK.9	RUNSCRIBE_WALK.10	RUNSCRIBE_WALK.11	RUNSCRIBE_WALK.12	RUNSCRIBE_WALK.13	RUNSCRIBE_WALK.14	RUNSCRIBE_WALK.15	RUNSCRIBE_WALK.16	RUNSCRIBE_WALK.17	RUNSCRIBE_WALK.18	RUNSCRIBE_WALK.19	RUNSCRIBE_WALK.20	RUNSCRIBE_WALK.21	RUNSCRIBE_WALK.22	RUNSCRIBE_WALK.23	RUNSCRIBE_WALK.24	RUNSCRIBE_WALK.25	RUNSCRIBE_WALK.26	RUNSCRIBE_WALK.27	RUNSCRIBE_WALK.28	RUNSCRIBE_WALK.29	RUNSCRIBE_WALK.30	RUNSCRIBE_WALK.31	RUNSCRIBE_WALK.32	RUNSCRIBE_WALK.33	RUNSCRIBE_WALK.34	RUNSCRIBE_WALK.35	RUNSCRIBE_WALK.36	RUNSCRIBE_WALK.37	RUNSCRIBE_WALK.38	RUNSCRIBE_WALK.39	RUNSCRIBE_WALK.40	RUNSCRIBE_WALK.41	RUNSCRIBE_WALK.42	RUNSCRIBE_WALK.43	RUNSCRIBE_WALK.44	RUNSCRIBE_WALK.45	RUNSCRIBE_WALK.46	RUNSCRIBE_WALK.47	RUNSCRIBE_WALK.48	RUNSCRIBE_WALK.49	RUNSCRIBE_WALK.50	RUNSCRIBE_WALK.51	RUNSCRIBE_WALK.52	RUNSCRIBE_WALK.53	RUNSCRIBE_WALK.54	RUNSCRIBE_WALK.55	RUNSCRIBE_WALK.56	RUNSCRIBE_WALK.57	RUNSCRIBE_RUN	RUNSCRIBE_RUN.1	RUNSCRIBE_RUN.2	RUNSCRIBE_RUN.3	RUNSCRIBE_RUN.4	RUNSCRIBE_RUN.5	RUNSCRIBE_RUN.6	RUNSCRIBE_RUN.7	RUNSCRIBE_RUN.8	RUNSCRIBE_RUN.9	RUNSCRIBE_RUN.10	RUNSCRIBE_RUN.11	RUNSCRIBE_RUN.12	RUNSCRIBE_RUN.13	RUNSCRIBE_RUN.14	RUNSCRIBE_RUN.15	RUNSCRIBE_RUN.16	RUNSCRIBE_RUN.17	RUNSCRIBE_RUN.18	RUNSCRIBE_RUN.19	RUNSCRIBE_RUN.20	RUNSCRIBE_RUN.21	RUNSCRIBE_RUN.22	RUNSCRIBE_RUN.23	RUNSCRIBE_RUN.24	RUNSCRIBE_RUN.25	RUNSCRIBE_RUN.26	RUNSCRIBE_RUN.27	RUNSCRIBE_RUN.28	RUNSCRIBE_RUN.29	RUNSCRIBE_RUN.30	RUNSCRIBE_RUN.31	RUNSCRIBE_RUN.32	RUNSCRIBE_RUN.33	RUNSCRIBE_RUN.34	RUNSCRIBE_RUN.35	RUNSCRIBE_RUN.36	RUNSCRIBE_RUN.37	RUNSCRIBE_RUN.38	RUNSCRIBE_RUN.39	RUNSCRIBE_RUN.40	RUNSCRIBE_RUN.41	RUNSCRIBE_RUN.42	RUNSCRIBE_RUN.43	RUNSCRIBE_RUN.44	RUNSCRIBE_RUN.45	RUNSCRIBE_RUN.46	RUNSCRIBE_RUN.47	RUNSCRIBE_RUN.48	RUNSCRIBE_RUN.49	RUNSCRIBE_RUN.50	RUNSCRIBE_RUN.51	RUNSCRIBE_RUN.52	RUNSCRIBE_RUN.53	RUNSCRIBE_RUN.54	RUNSCRIBE_RUN.55	RUNSCRIBE_RUN.56	RUNSCRIBE_RUN.57	iB_Resport.20	iB_Resport.21	iB_Resport.22	iB_Resport.23	iB_Resport.24	iB_Resport.25	iB_Resport.26	iB_Resport.27	iB_Resport.28	iB_Resport.29	iB_Resport.30	iB_Resport.31	iB_Resport.32	iB_Resport.33	iB_Resport.34	iB_Resport.35	iB_Resport.36	iB_Resport.37	iB_Resport.38	iB_Resport.39	iB_Resport.40	iB_Resport.41	iB_Resport.42	iB_Resport.43	iB_Resport.44	iB_Resport.45	iB_Resport.46	iB_Resport.47	iB_Resport.48	iB_Resport.49	iB_Resport.50	iB_Resport.51	iB_Resport.52	iB_Resport.53	iB_Resport.54	iB_Resport.55	iB_Resport.56	iB_Resport.57	iB_Resport.58	iB_Resport.59	iB_Resport.60	iB_Resport.61	iB_Resport.62	iB_Resport.63	iB_Resport.64	iB_Resport.65	iB_Resport.66	iB_Resport.67	iB_Resport.68	iB_Resport.69	iB_Resport.70	iB_Resport.71	iB_Resport.72	iB_Resport.73	iB_Resport.74	iB_Resport.75	iB_Resport.76	iB_Resport.77	iB_Resport.78	iB_Resport.79	iB_Resport.80	iB_Resport.81	iB_Resport.82	iB_Resport.83	iB_Resport.84	iB_Resport.85	iB_Resport.86	iB_Resport.87	iB_Resport.88	iB_Resport.89	iB_Resport.90	iB_Resport.91	iB_Resport.92	iB_Resport.93	iB_Resport.94	iB_Resport.95	iB_Resport.96	iB_Resport.97	iB_Resport.98	iB_Resport.99	iB_Resport.100	iB_Resport.101	iB_Resport.102	iB_Resport.103	iB_Resport.104	iB_Resport.105	iB_Resport.106	iB_Resport.107	iB_Resport.108	iB_Resport.109	iB_Resport.110	iB_Resport.111	iB_Resport.112	iB_Resport.113	iB_Resport.114	iB_Resport.115	iB_Resport.116	iB_Resport.117	iB_Resport.118	iB_Resport.119	iB_Resport.120	iB_Resport.121	iB_Resport.122	iB_Resport.123	iB_Resport.124	iB_Resport.125	iB_Resport.126	iB_Resport.127	iB_Resport.128	iB_Resport.129	iB_Resport.130	iB_Resport.131	iB_Resport.132	iB_Resport.133	iB_Resport.134	iB_Resport.135	iB_Resport.136	iB_Resport.137	iB_Resport.138	iB_Resport.139	iB_Resport.140	iB_Resport.141	iB_Resport.142	iB_Resport.143	iB_Resport.144	iB_Resport.145	iB_Resport.146	iB_Resport.147	iB_Resport.148	iB_Resport.149	iB_Resport.150	iB_Resport.151	iB_Resport.152	iB_Resport.153	iB_Resport.154	iB_Resport.155	iB_Resport.156	iB_Resport.157	iB_Resport.158	iB_Resport.159	iB_Resport.160	iB_Resport.161	iB_Resport.162	iB_Resport.163	iB_Resport.164	iB_Resport.165	iB_Resport.166	iB_Resport.167	iB_Resport.168	iB_Resport.169	iB_Resport.170	iB_Resport.171	iB_Resport.172	iB_Resport.173	iB_Resport.174	iB_Resport.175	iB_Resport.176	iB_Resport.177	iB_Resport.178	iB_Resport.179	iB_Resport.180	iB_Resport.181	iB_Resport.182	iB_Resport.183	iB_Resport.184	iB_Resport.185	iB_Resport.186	iB_Resport.187	iB_Resport.188	iB_Resport.189	iB_Resport.190	iB_Resport.191	iB_Resport.192	iB_Resport.193	iB_Resport.194	iB_Resport.195	iB_Resport.196	iB_Resport.197
0	Codigo	Sujeto	Fecha Nacimiento	Fecha de exploración	Edad	Sexo	Altura	Peso	Nº de calzado	Motivo de consulta	NºPatologia	Articulación	Localizacion	Lado	Patologia	Enf Sistemicas 1	Enfermedades Sistemicas 2	Sintomas narrados	Diagnóstico 1	Dagnóstico 2	IQ	Fecha IQ	Resultado IQ	Tabaco	Alcohol	Medicación	Fármacos	Alergias	Alergenos	Actividad principal	Marca 10K	Especialidad	km/sem	Calzado 1	Calzado 2	Pace	Velocidad	Step Rate	Stride Length	Contact Time	Flight Ratio	Power	Shock	Impact Gs	Braking Gs	Footstrike Type	Pronation Excursion	Max Pronation Velocity	Peak Vertical GRF	Contact Ratio	Flight Time	Stride Angle	Leg Spring Stiffness	Vertical Spring Stiffness	Vertical GRF Rate	Horizontal GRF Rate	Swing Force Rate	VO<sub>2</sub>	Total Force Rate	Time (Max Swing->FS)	Time (FS->MPV)	Time (MPV->MP)	Time (MP->TO)	Time (Min Swing->Max Swing)	Time (TO->Min Swing)	Medio Lateral Gs	Braking Gs (Amplitude)	Impact Gs (Amplitude)	Vertical Speed	Elevation Gain	Yaw Excursion	Swing Excursion	Yaw Excursion (MP->TO)	Yaw Excursion (Swing)	Max Stance Velocity (FS->MP)	Max Stance Velocity (MP->TO)	Step Length	Pronation Excursion (MP->TO)	Stance Excursion (FS->MP)	Stance Excursion (MP->TO)	Min Tilt	Max Tilt	Min Obliquity	Max Obliquity	Min Rotation	Max Rotation	Max Tilt Rate	Max Obliquity Rate	Max Rotation Rate	Vertical Oscillation	Braking Gs2	Impact Gs2	Medio Lateral Gs2	Pace	Velocidad	Step Rate	Stride Length	Contact Time	Flight Ratio	Power	Shock	Impact Gs	Braking Gs	Footstrike Type	Pronation Excursion	Max Pronation Velocity	Peak Vertical GRF	Contact Ratio	Flight Time	Stride Angle	Leg Spring Stiffness	Vertical Spring Stiffness	Vertical GRF Rate	Horizontal GRF Rate	Swing Force Rate	VO<sub>2</sub>	Total Force Rate	Time (Max Swing->FS)	Time (FS->MPV)	Time (MPV->MP)	Time (MP->TO)	Time (Min Swing->Max Swing)	Time (TO->Min Swing)	Medio Lateral Gs	Braking Gs (Amplitude)	Impact Gs (Amplitude)	Vertical Speed	Elevation Gain	Yaw Excursion	Swing Excursion	Yaw Excursion (MP->TO)	Yaw Excursion (Swing)	Max Stance Velocity (FS->MP)	Max Stance Velocity (MP->TO)	Step Length	Pronation Excursion (MP->TO)	Stance Excursion (FS->MP)	Stance Excursion (MP->TO)	Min Tilt	Max Tilt	Min Obliquity	Max Obliquity	Min Rotation	Max Rotation	Max Tilt Rate	Max Obliquity Rate	Max Rotation Rate	Vertical Oscillation	Braking Gs2	Impact Gs2	Medio Lateral Gs2	M1 Hipermovil	TF Normal	TT Normal	AP Adducto	Thomas Psoas	Thomas RF	Thomas TFL	Ober	AP_Varo	AP_Neutro	AP_Valgo	RP_Varo	RP_Neutro	RP_Valgo	Arco normal	Arco Aplanado	Arco elevado	PIe cavo posterior	PIe cavo anterior	M1 DFx	M5 Hipermovil	M5 Dfx	Arco transverso disminuido	M1 PFx	Cavo Col medial	M5 PFx	Cavo col Lateral	Arco transverso aumentado	MTF1 Normal	HLF	HL	HR	HAV	Index Minus	Index plus-minus	Index Plus	Col lat corta	Col lat larga	Pie griego	Pie cuadrado	Pie egipcio	TFI	TFE	TTI	TTE	AP Normal ABD-AD	AP Abducto	Pierna Corta	Rot Ext Cadera Izquierda	Rot Ext Cadera Derecha	Rot Int Cadera Derecha	Rot Int Cadera Izquierda	Dismetría	Ober Friccion	Popliteo	POPLITEO CL Neutra	PNCA AP Varo	PNCA AP Neutro	PNCA AP Valgo	PNCA RP Varo	PNCA RP Neutro	PNCA RP Valgo	T_Hintermann	Jack Normal	Jack R aumentada	Jack No reconstruye	Jack R disminuida	Pron max Normal	Pronación no disponible	2Heel Raise	Heel Raise	FPI_1_I	FPI_1_D	FPI_2_I	FPI_2_D	FPI_3_I	FPI_3_D	FPI_4_I	FPI_4_D	FPI_5_I	FPI_5_D	FPI_6_I	FPI_6_D	FPI_Total_I	FPI_Total_D	Tibia vara proximal	Tibia Vara distal	Rotula divergente	Rotula descendida	Rotula convergente	Rotula ascencida	Valgo-Varo_I	Genu valgo	Genu normal	Genu varo	Genu recurvatum	Genu neutro	Genu flexum	Pelvis AV	Rot_Pelvis_Izda	EIAS_Down_Izda	Iliaco Izquierdo Normal	Iliaco Dcho Normal	Iliaco Izquierdo AV	Iliaco Izquierdo RV	Iliaco Dcho AV	Iliaco Dcho RV	EIAS_Up_Izda	EIAS_Up_Dcha	Hiperlordosis cervical	Hipercifosis torácica	Hiperlordosis lumbar	Antepulsión torax	Antepulsión pelvis	Retropulsion Pelvis	Rectificación lumbar	Retropulsion Torax	Dorso plano	Rectificación Cervical	GAZE Elevada	GAZE Disminuida	Retrognatismo	Prognatismo	Inclinación izquierda cabeza	Escoliosis Cervical Izquierda	Escoliosis Cervical Derecha	Escoliosis Dorsal Derecha	Escoliosis Dorsal Izquierda	Escoliosis Lumbar Izquierda	Escoliosis Lumbar Derecha	Escoliosis Rotación toracica derecha	Escoliosis Rotación toracica izquierda	Rotación izquierda cabeza	Rotación derecha cabeza	Rotación derecha torax	Rotación izquierda torax	Antepulsion Cabeza	Inclinación derecha cabeza	Lateropulsión cabeza derecha	Lateropulsión cabeza izquierda	Lateropulsión torax izquierda	Lateropulsión pelvis derecha	Lateropulsión pelvis izquierda	EIPS_Down_Izda	EIPS_Up_I	EIPS_Up_Dcha	EIPS_Down_Dcha	EIAS_Down_Dcha	Lateropulsión torax derecha	Descenso hombro izquierdo	Elevación Hombro Izquierdo	Elevación hombro derecho	Descenso hombro derecho	Retropulsión Cabeza	Lunge	Impresión Diagnóstica de función	Pruebas complementarias	Calzado	Escaneo 0%	Escaneo 25%	Escaneo 50%	Escaneo 75%	Escaneo 100%	TPU	TPU Run	PA12 Anterocapital	PA12 Retro	Elementos en taller	Fisioterapia y ejercicios	Pelvis Rot Dcha	Videoconferencia con informe	Llamar cuando lleguen plantillas	Lunge Izq	Lunge Dcho	Telemetría	Solo informe	Elementos en Diseño	entrega y revisiones
1	R00001MVE	1	1985-08-23 00:00:00	2021-11-04 16:58:00	36	F	173	65	40	NaN	1	Rodilla	Medial	Bilateral	NaN	NaN	NaN	El último tto ortopodologíco era por dolor de ...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1.2916	5	108.456898	1.4267	705.166667	0	95.981481	3.566339	2.310324	2.610172	6.314815	-11.106498	177.510574	1.139044	127.44998	-152.018519	9.059576	0.453526	0	13.915741	2.530533	0.030474	6.644113	24.95212	192.62963	19.203704	83.351852	602.611111	360.574074	21.62963	0.514759	2.155093	2.3125	0	16.300926	1.901933	65.427959	1.383976	4.583635	296.292913	484.714089	0.7133	-14.72513	19.445907	62.315404	-5.298624	4.002906	-3.565694	5.716446	-3.094924	2.38832	74.536365	49.889465	93.90372	30.344643	2.610172	2.310324	NaN	2.748551	10	161.715795	2.039509	346.164557	6.593809	176.417722	11.974009	10.824272	5.054195	7.822785	-13.776322	477.409271	2.289862	93.300849	24.468354	0.186361	7.51902	21.803643	28.354237	5.432238	1.294939	32.53777	88.931286	55.556962	16.734177	61.088608	268.341772	271.746835	94.531646	2.070516	3.357595	3.802215	-1.929742	15.512712	7.703537	82.954129	2.11393	14.237558	604.251908	563.98648	1.019748	-11.32853	15.311133	64.305786	-13.403779	6.502495	-7.475044	6.877642	-9.27995	6.648964	1195.82189	455.488825	354.309651	9.463862	5.054195	10.824272	NaN	No	No	No	No	Negativo	Negativo	Negativo	Negativo	Bilateral	No	No	No	Bilateral	No	No	No	Bilateral	No	Bilateral	No	No	No	No	No	No	No	No	No	Bilateral	No	No	No	Bilateral	Bilateral	No	No	No	No	No	No	Bilateral	No	Bilateral	No	Bilateral	Bilateral	No	No	NaN	NaN	NaN	NaN	NaN	Negativo	Negativo	NaN	No	Bilateral	No	No	Bilateral	No	Izquierda	Bilateral	No	No	No	Bilateral	No	No	No	0	0	0	0	0	0	-1	-1	0	0	0	0	-1	-1	No	No	No	No	No	No	NaN	No	Bilateral	No	Bilateral	No	No	NaN	NaN	NaN	Si	Si	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	Derecho	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
2	R00002JVM	2	1986-07-06 00:00:00	2021-11-04 17:41:00	35	M	181	78	44	NaN	0	Sin afectacion	Sin afectacion	Ninguno	NaN	NaN	NaN	Bunion dorsal bilateral \nLunge 16º bilateral ...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	Si	Antihistamínicos	Si	Polen, ácaros del polvo, gato	Run, ciclismo	45	NaN	NaN	Nike kiger	NaN	1.370079	5	114.767847	1.4312	649.517241	0	136.534483	3.119538	1.900867	2.387259	6.948276	-8.176466	109.542317	1.222143	124.224798	-126.896552	6.403624	48.715603	0	15.115353	2.673316	0.159367	8.925714	30.589598	121.245614	42.37931	78.62069	528.517241	339.724138	34.793103	0.637391	1.323276	1.306034	-0.457	14	0.185619	63.307126	2.467419	3.750284	241.020467	532.549636	0.7156	0.962024	17.340533	55.030184	-4.251966	2.401577	-3.402549	3.958606	-3.100207	4.067394	59.523014	34.808347	45.384226	23.901517	2.387259	1.900867	NaN	3.588932	13	172.110955	2.502031	242.541176	30.331614	283.164706	15.401995	14.331714	5.501979	10.082353	-12.668764	686.949965	3.752896	69.573162	105.623529	2.512311	11.643407	23.714214	40.468636	6.976227	1.371845	40.873994	109.528792	105.376471	18.929412	37.129412	186.482353	269.882353	150.2	1.453265	5.445588	10.158088	-2.136398	12.955882	7.324649	103.497258	-3.406445	1.338612	886.819999	736.709414	1.251029	0.245774	9.668947	71.08696	-19.167448	27.243976	-76.367202	174.473553	-6.524156	8.45474	1073.74018	549.242193	338.780492	7.520066	5.501979	14.331714	NaN	Bilateral	Bilateral	Bilateral	No	Negativo	Bilateral	Bilateral	Negativo	No	Bilateral	No	No	Bilateral	No	Bilateral	No	No	No	Bilateral	No	No	No	No	Bilateral	No	No	Derecha	Derecha	No	No	Bilateral	No	No	Bilateral	No	No	No	No	No	No	Bilateral	No	No	No	No	Bilateral	No	No	NaN	NaN	NaN	NaN	NaN	Negativo	Negativo	NaN	No	Bilateral	No	No	Bilateral	No	No	No	Bilateral	No	No	Bilateral	No	No	No	2	2	1	1	1	1	1	1	1	1	1	1	7	7	No	No	No	No	No	No	NaN	Bilateral	No	No	No	Bilateral	No	NaN	NaN	NaN	Si	Si	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	Bilateral	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
3	R00004EPC	4	1976-03-01 00:00:00	2021-11-15 13:40:00	45	M	189	88	46	NaN	0	Sin afectacion	Sin afectacion	Ninguno	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1.371909	5	100.149777	1.6437	775.744681	0	100.787234	2.368494	1.597828	1.558757	10.680851	-4.411249	144.662411	1.091726	129.442638	-176.595745	10.637696	7.981094	0	12.657472	2.785581	0.29757	9.790736	32.726926	106.680851	5.255319	37.106383	733.382979	370.574468	27	0.537651	1.611702	1.25	-10.9844	3.597826	0.924553	82.060187	3.086117	8.109723	283.071966	564.581687	0.8218	0.192496	8.006323	77.799223	-3.718124	4.023933	-3.135851	3.355565	-3.749373	2.686873	31.332204	40.367898	29.675547	19.19568	1.558757	1.597828	NaN	3.237176	12	161.586499	2.412864	312.8875	15.662497	295.075	12.238623	11.182911	4.905526	8.6625	-5.597087	370.364379	2.753032	84.248189	58.0875	0.808101	7.467717	19.412686	31.394826	6.489825	1.383789	36.559321	98.867903	63.2125	20.5625	14.6125	277.7125	271.5125	120.3875	0.70904	3.246875	3.046094	-2.040584	4.363636	4.281259	93.967785	3.72618	5.314272	608.752448	695.496367	1.206434	4.629309	13.068565	64.478919	-4.481001	4.663599	-4.560628	4.030698	-8.582659	6.3752	287.748406	329.644999	238.683496	9.743993	4.905526	11.182911	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
4	R00005DCM	5	1978-12-23 00:00:00	2021-11-15 12:33:00	43	M	182	70	44	NaN	1	Pie	Medial	Derecho	NaN	NaN	NaN	Año - año y medio con dolor en la cadera con d...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	Saucony	NaN	1.318286	5	103.976334	1.5381	733.48	0	101.42	2.667928	1.708754	1.985392	11.18	-4.351264	123.764646	1.149516	127.091716	-156.42	8.991884	598.235028	0	13.385676	2.615824	0.145732	7.967042	28.22087	148.78	15.72	31.96	685.8	358.94	38.8	0.841172	1.4325	1.74	-22.5	3.038462	-0.290622	91.4922	5.121574	15.046578	264.414068	466.721194	0.769	6.506884	7.471882	81.783758	-4.479488	3.6198	-3.219069	4.110612	-2.138488	2.685047	30.340461	56.140367	49.883676	37.758259	1.985392	1.708754	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	Bilateral	Bilateral	No	Bilateral	Negativo	Bilateral	Negativo	Negativo	No	Bilateral	No	No	Bilateral	No	Bilateral	No	No	No	Bilateral	Bilateral	No	No	No	No	No	No	Bilateral	No	Bilateral	No	No	No	No	Bilateral	No	No	No	No	No	No	Bilateral	No	No	No	Bilateral	No	No	Derecha	NaN	NaN	NaN	NaN	NaN	Negativo	Negativo	NaN	No	Bilateral	No	No	No	Bilateral	No	Bilateral	No	No	No	Bilateral	No	No	No	1	1	1	1	1	1	1	1	2	2	1	1	7	7	No	No	No	No	No	No	NaN	No	Bilateral	No	Bilateral	No	No	NaN	NaN	Si	Si	NaN	NaN	NaN	Si	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	Si	NaN	NaN	NaN	NaN	NaN	NaN	NaN	Negativo	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

	Codigo	Sujeto	Fecha Nacimiento	Fecha de exploración	Edad	Sexo	Altura	Peso	Nº de calzado	Motivo de consulta
count	897	897	888	897	880	897	897	897	897	0
unique	730	479	703	729	79	2	69	92	34	0
top	R00027YPH	217	1966-08-05 00:00:00	2021-12-02 17:03:00	42	M	170	80	42	NaN
freq	4	6	4	4	31	573	62	48	121	NaN

	NºPatologia	Articulación	Localizacion	Lado	Patologia
count	897	897	897	897	872
unique	5	13	28	60	474
top	1	Pie	Posterior	D	Talalgia
freq	698	266	152	154	37

	Enf Sistemicas 1	Enfermedades Sistemicas 2	Sintomas narrados	Diagnóstico 1	Dagnóstico 2	IQ	Fecha IQ	Resultado IQ	Tabaco	Alcohol	Medicación	Fármacos	Alergias	Alergenos	Actividad principal	Marca 10K	Especialidad	km/sem	Calzado 1	Calzado 2
count	239	3	858	708	2	335	24	9	104	48	231	253	162	174	210	127	72	129	262	202
unique	164	2	696	521	2	247	12	9	2	2	3	194	3	123	159	40	45	62	198	83
top	0	Pielonefritis infecciosa 2017 controlada en Pu...	Tras IQ de PI con 13 años no vuelve a tener pr...	Rodilla derecha	Tobillo izquierdo.	0	0	sigue doliendo	Si	Si	Si	Anticonceptivas	Si	Ambientales	Triatlón	50	Amateur	40-50	Nike pegasus	38
freq	8	2	4	10	1	7	12	1	92	39	226	6	158	11	8	13	12	9	6	15

	Edad	Sexo	Altura	Peso	Nº de calzado
15	<NA>	M	173.0	80.0	42.0
72	<NA>	M	172.0	76.0	42.0
73	<NA>	M	172.0	76.0	42.0
74	<NA>	M	172.0	76.0	42.0
75	<NA>	M	172.0	76.0	42.0
274	<NA>	F	161.0	50.0	37.0
304	<NA>	F	168.0	80.0	39.0
420	<NA>	M	174.0	70.0	42.0
460	<NA>	M	172.0	85.0	42.0
510	<NA>	F	175.0	58.0	40.0
511	<NA>	M	178.0	66.0	43.0
533	<NA>	F	165.0	57.0	38.0
541	<NA>	F	167.0	58.0	39.0
582	<NA>	F	153.0	48.0	38.0
784	<NA>	M	166.0	54.0	37.0
810	<NA>	M	188.0	86.0	46.0
831	<NA>	M	173.0	85.0	43.0

	Pace_run	Velocidad_run	Step Rate_run	Stride Length_run	Contact Time_run	Flight Time_run	Power_run	Shock_run	Impact Gs_run	Braking Gs_run	Footstrike Type_run	Max Pronation Velocity_run	Total Force Rate_run
count	363.000000	363.000000	363.000000	362.000000	363.000000	363.000000	363.000000	363.000000	363.000000	363.000000	363.000000	363.000000	362.000000
mean	3.211574	11.581267	163.899869	2.346897	296.089530	78.923327	230.220579	9.829611	7.442441	5.964861	8.540349	532.804441	71.614471
std	0.560853	1.799595	8.189391	0.391229	62.658019	69.243761	75.506685	2.786356	2.576046	2.216262	3.457411	260.300110	21.221794
min	1.630400	6.000000	145.378400	1.234801	201.884615	-664.675676	0.000000	4.637865	2.694635	2.329115	1.000000	-1620.717521	41.355990
25%	2.765481	10.000000	157.558761	2.092373	266.604651	51.785531	192.360585	7.682659	5.563838	4.378710	6.192308	366.033171	54.309113
50%	3.048197	11.000000	163.826859	2.264296	292.539474	75.506667	229.125000	9.504847	7.137060	5.542137	7.795031	511.426601	64.283952
75%	3.582811	13.000000	169.494311	2.553511	319.373333	101.641026	265.051667	11.507056	8.874024	7.239849	10.719613	668.113118	87.538966
max	6.591568	20.000000	186.580144	4.708409	1228.959459	409.259615	823.000000	18.480825	15.747820	13.859452	16.000000	1410.131385	134.543444

	FPI_1_I	FPI_1_D	FPI_2_I	FPI_2_D	FPI_3_I	FPI_3_D	FPI_4_I	FPI_4_D	FPI_5_I	FPI_5_D	FPI_6_I	FPI_6_D	FPI_Total_I	FPI_Total_D
count	861	862	862	862	861	862	862	862	861	862	862	861	862	862
unique	5	5	5	5	5	5	5	5	5	4	5	5	22	23
top	2	1	1	1	1	1	0	1	1	1	0	0	6	5
freq	275	279	350	347	360	375	364	337	368	363	421	416	85	84

1. Preparación de los Datos¶

1.1. Configuración del Entorno¶

1.2. Carga de Datos¶

1.3. Adaptación Nombres de Columnas¶

2. Análisis Exploratorio de Datos (EDA)¶

2.1. Inspección Inicial de los Datos¶

Comprobación de Tipos de Datos¶

Identificación de Columnas con Mayor Número de Datos Faltantes¶

Verificación de Filas Duplicadas¶

2.2. Diferenciación de los Nombres de Columnas para los Datos de Runscribe¶

2.3. Agrupación Provisional de Columnas por Categoría¶

2.4. Análisis de Datos Faltantes¶

Conclusiones Generales¶

Conclusiones de cada Subgrupo¶

2.5. Estadísticas Descriptivas Básicas (media, mediana, desviación estándar...)¶

2.6. Análisis por Grupos¶

2.6.1. Grupo 1 - Perfil / Demográficos¶

Conversión de Tipos de Datos¶

Distribución - Análisis de Outliers¶

Z-Score¶

Análisis de 'Codigo' y 'Sujeto'¶

Análisis de Registros con Códigos Repetidos¶

Conclusión sobre los Datos de Códigos Repetidos¶

Análisis de 'Fecha de Nacimiento' vs 'Edad'¶

Conclusión sobre el Uso de la Columna 'Fecha de Nacimiento'¶

Medidas de Asociación - Matriz de Correlación¶

Conclusión sobre el Análisis de Correlación con la Edad¶

Análisis Específico de las Columnas 'Edad', 'Altura', 'Peso', 'Nº calzado'¶

Análisis de la Columna 'Sexo'¶

ANOVA (Análisis de Varianza) y Prueba T de Student¶

Análisis de Sujetos Menores de 20 años¶

Analisis Detallado de Valores Faltantes en Columnas de Interés¶

Conclusiones del Análisis de Variables Demográficas y Biométricas¶

Eliminación de Columnas Irrelevantes¶

Estrategia de Imputación Considerada y Codificación de Variables¶

Creación de Características¶

2.6.2. Grupo 2 - Patología¶

Conversión de Tipos de Datos¶

Columna 'NºPatologia'¶

Columnas 'Articulación', 'Localizacion' y 'Lado'¶

Unificar Categorías mediante Funciones Personalizadas¶

Análisis de Distribución de Zonas Afectadas¶

Tabla de Contingencia¶

Columna 'Patologia'¶

Conclusiones¶

Creación de Características¶

Estrategia de Imputación y Codificación de Variables¶

Eliminación de Columnas Irrelevantes¶

2.6.3. Grupo 3 - ib_resport_df - Historia Clínica¶

Conclusiones¶

2.6.4. Grupo 4 - runscribe_walk_df - Datos Biomecánicos de Marcha¶

Eliminar espacios en los nombres de las columnas y convertir a valores numéricos¶

Agrupar Columnas por el número de Valores Faltantes¶

Correlación entre variables¶

Visualización con Histogramas¶

Análisis por Género¶

Distribución - Detección de Outliers¶

Conclusión¶

2.6.5. Grupo 5 - runscribe_run_df - Datos Biomecánicos de Carrera¶

Eliminar espacios en los nombres de las columnas y convertir a valores numéricos¶

Detección de Outliers¶

Correlación entre Variables¶

Visualización: Histogramas¶

Conclusión¶

2.6.6. Grupo 6 - ib_resport2_df - Tests Clínicos¶

Analisis de Valores Faltantes¶

Análisis de Valores Únicos por Columna¶

Matriz de correlación¶

2.6.1. `Grupo 1 - Perfil / Demográficos`¶

2.6.2. `Grupo 2 - Patología`¶

2.6.3. `Grupo 3 - ib_resport_df - Historia Clínica`¶

2.6.4. `Grupo 4 - runscribe_walk_df - Datos Biomecánicos de Marcha`¶

2.6.5. `Grupo 5 - runscribe_run_df - Datos Biomecánicos de Carrera`¶

2.6.6. `Grupo 6 - ib_resport2_df - Tests Clínicos`¶